【3】数据筛选3 - BeautifulSoup4
2018-11-24 本文已影响0人
夏夏夏夏颜曦
目录
1. 开发前准备
2. 不同解析器对比
3. BeautifulSoup4 初始化和节点对象的认识
4. BS4 案例操作：初始化对象文档
5. 节点查询：子节点
6. 节点查询：父节点
7. 节点查询：兄弟节点
8. 节点查询：解析顺序
9. 高级查询： find/find_all 检索
10. 高级查询： CSS 选择器
1.开发前准备
- 官方文档： https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.html
官方文档中文版： https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/ - 命令安装方式
pip install beautifulsoup4
easy_install beautifulsoup4
下载源码包(tar.gz)安装
python setup.py install - 安装解析器： BeautifulSoup4 本身只包含解析器接口规则，支持 python 内置的 HTML 解析器，同时支持第三方的一些解析器[如 lxml]
- 如果使用过程中没有指定使用解析器， BeautifulSoup4 会自动从当前的 python 环境中检索最优的解析器加载使用
pip install lxml
or
pip install html5lib
2.不同解析器对比
| 解析器 | 使用 | 优缺点 |
|---|---|---|
| 标准库 | BeautifulSoup(html, ‘html.parser’) | 优点：内置标准库、执行速度适中、容错能力强. 缺点：对中文解析的容错能力有限 |
| lxml | BeautifulSoup(html, ‘lxml’) | 优点：速度快，容错能力强 缺点：需要安装 c 语言库 |
| lxml | BeautifulSoup(html, [‘lxml’, ‘xml’]) | 唯一支持 XML 的解析器 |
| html5lib | BeautifulSoup(html, ‘html5lib’) | 优点：容错能力最好, 浏览器方式解析文档, 生成 H5 格式的文档 缺点：速度慢,不依赖外部扩展 |
- 综上所述，优先推荐使用 lxml 解析器
3.BeautifulSoup4 初始化和节点对象的认识
- BeautifulSoup4(BS4)可以将一个 html 文档数据流或者 html 文档对象或者 html 字符串，直接加载到 BS4 对象中，得到一个 BS4 的文档对象
--- from bs4 import BeautifulSoup
--- soup = BeautifulSoup(open(‘index.html’))
--- soup = BeautifulSoup(‘<html>……</html>’) - BeautifulSoup4 将 HTML 结构化文档， 解析为树形结构化数据，树形文档对象中主要包含四种对象
--- tag: 标签节点对象节点
--- name: 标签名称对象节点
--- attributes: 标签属性对象节点， like dict，如果是多值属性，属性对应的值就是一个 list 数据
--- NavigateString: 标签中文本对象节点，可以直接通过 unicode()函数将文本转换成 unicode 字符串
4.BS4 案例操作：初始化对象文档
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
</body>
</html>
"""
from bs4 import BeautifulSoup
# 构建 bs4 文档对象
soup = BeautifulSoup(html_doc, 'lxml')
print(type(soup)) # <class 'bs4.BeautifulSoup'>
5.节点查询： 子节点
# 节点名称查询
print(soup.title) # <title>The Dormouse's story</title>
print(soup.p) # <p class="title"><b>The Dormouse's story</b></p>
print(soup.a) # <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
# 子节点查询
chs = soup.contents
print(type(chs), len(chs)) # <class 'list'> 2
chs2 = soup.children
print(type(chs2), len(list(chs2))) # <class 'list_iterator'> 2
# 包含节点查询
chs3 = soup.descendants
print(type(chs3), len(list(chs3))) # <class 'generator'> 28
# 子节点内容获取
# 获取节点内部文本数据
print(soup.title.string) # The Dormouse's story
# 获取文本节点的文本数据
print(soup.title.contents[0].string) # The Dormouse's story
# 如果包含子节点并且不是文本节点，返回 None
print(soup.body.string) # None
# 获取包含的所有文本数据，包括空白字符
print(soup.body.strings) # <generator object Tag._all_strings at 0x0000021B6360F6D8>
# 获取包含的所有文本数据，剔除空白字符
print(soup.body.stripped_strings) # <generator object Tag.stripped_strings at 0x0000022BBB38F6D8>
6.节点查询：父节点
# ##########################父节点查询
print(soup.a) # <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
# 查询直接父节点
print(soup.a.parent.name) # p
# 遍历查询所有父节点
print([tag.name for tag in soup.a.parents]) # ['p', 'body', 'html', '[document]']
7.节点查询： 兄弟节点
# ##########################兄弟节点
# 获取当前节点
print(soup.a) # <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
# 获取前一个兄弟节点：得到文本节点
print(soup.a.previous_sibling) # Once upon a time there were three little sisters; and their
names were
# 获取后一个兄弟节点：得到文本节点
print(soup.a.next_sibling) #,
# 获取所有的前面的兄弟节点：得到所有紧跟当前节点前面的兄弟节点的生成器对象
print(soup.a.previous_siblings) # <generator object PageElement.previous_siblings at
0x000001EF06B57750>
# 获取所有的后面的兄弟节点：得到所有紧跟当前节点后面的兄弟节点的生成器对象
print(soup.a.next_siblings) # <generator object PageElement.next_siblings at 0x0000018A1B41F6D8>
8.节点查询：解析顺序
BeautifulSoup4 提供了一种比较特殊的操作：按照文档的解析顺序进行节点的查询，解析顺序和浏览器解释 HTML 文档的顺序是一致的
# #########################解析顺序节点
#获取当前节点
print(soup.a) # <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
# 获取前一个兄弟节点：得到文本节点
print(soup.a.previous_element) # Once upon a time there were three little sisters; and their
names were
# 获取后一个兄弟节点：得到文本节点
print(soup.a.next_element) #Elsie
# 获取所有的前面的兄弟节点：得到所有紧跟当前节点前面的兄弟节点的生成器对象
print(soup.a.previous_elements) # <generator object PageElement.previous_elements at
0x0000013EC8C9F6D8>
# 获取所有的后面的兄弟节点：得到所有紧跟当前节点后面的兄弟节点的生成器对象
print(soup.a.next_elements) # <generator object PageElement.next_elements at 0x0000013EC8C9F6D8>
# 获取解析过程节点顺序
print([tag.name if tag.name else tag for tag in soup.html.next_elements])
➔ 解析结果：
['head', 'title', "The Dormouse's story", '\n', 'body', '\n', 'p', 'b', "The Dormouse's story", '\n',
'p', 'Once upon a time there were three little sisters; and their names were\n', 'a', 'Elsie', ',\n', 'a',
'Lacie', ' and\n', 'a', 'Tillie', ';\nand they lived at the bottom of a well.', '\n', 'p', '...', '\n', '\n',
'\n']
9.高级查询： find/find_all 检索
- find(name, attrs, recursive, text, **kwargs)
◼ 查询得到一个节点对象数据，如果结果不存在返回 None
◼ param name: 要查询的标签的名称
◼ param attrs: 要查询的属性字典，如{‘class’: ‘title’}
◼ param recursive: 是否查询所有包含的节点，默认 True
◼ param text: 查询的节点中包含的指定的内容
◼ param kwargs: 如果查询的属性不是内置的指定的属性，可以通过 kwargs 添加自定义属性 - find_all(name, attrs, recursive, text, limit, **kwargs)
◼ 查询得到一组节点对象数据，如果结果不存在返回[]
◼ param limit:查询的结果数量限制
◼ 其他参数参考 find(..) - 查询过滤操作
◼ 条件查询： find_all(‘p’, {‘class’: ‘title’})
◼ 并且查询： find_all([‘p’, ‘a’])
◼ 属性查询： find_all(id=’link2’)
◼ 正则查询： find_all(text=re.compile(‘sisters’))
◼ 指定属性查询： find_all(class_=’sister’) - 其他查询
◼ find_parent()/find_parents()
◼ find_previous_sibling()/find_previous_siblings()/find_next_sibling()/find_next_siblings()
◼ find_next()/find_all_next()/find_previous()/find_all_previous()
10. 高级查询： CSS 选择器
- beautifulsoup.select(css syntax)
# ##########################css 查询
print(soup.select("title")) # 标签选择器
print(soup.select("#link1")) # id 选择器
print(soup.select(".sister")) # class 选择器
print(soup.select("p > a")) # 子类选择器
print(soup.select("p a")) # 包含选择器
print(soup.select("p, a, b")) # 群组选择器
print(soup.select("#link1 ~ .sister")) # 兄弟选择器
print(soup.select("#link1 + .sister")) # 兄弟选择器
print(soup.select("p[class='title']")) # 属性选择器
print(soup.select("a:nth-of-type(2)")) # 伪类选择器
