您好,登錄后才能下訂單哦!
前言
要想學(xué)好爬蟲(chóng),必須把基礎(chǔ)打扎實(shí),之前發(fā)布了兩篇文章,分別是使用XPATH和requests爬取網(wǎng)頁(yè),今天的文章是學(xué)習(xí)Beautiful Soup并通過(guò)一個(gè)例子來(lái)實(shí)現(xiàn)如何使用Beautiful Soup爬取網(wǎng)頁(yè)。
什么是Beautiful Soup
Beautiful Soup要和其他的解析器搭配使用,例如Python標(biāo)準(zhǔn)庫(kù)中的HTML解析器和其他第三方的lxml解析器,由于lxml解析器速度快、容錯(cuò)能力強(qiáng),因此一般和Beautiful Soup搭配使用。
初始化Beautiful Soup對(duì)象的代碼:
html = ''' <html><title>Hello Beautiful Soup</title><p>Hello</p></html> ''' soup = BeautifulSoup(html,'lxml')
只需把第二個(gè)參數(shù)寫成”lxml”即可使用lxml解析器初始化Beautiful Soup對(duì)象。
Beautiful Soup提供了三種選擇器用去爬取節(jié)點(diǎn)中的數(shù)據(jù),分別是節(jié)點(diǎn)選擇器、方法選擇器和CSS選擇器。下面分別介紹著三個(gè)選擇器的用法。
節(jié)點(diǎn)選擇器:
HTML網(wǎng)頁(yè)有title、p、a、head、tr、td等節(jié)點(diǎn)。通過(guò)Beautiful Soup對(duì)象+”.”+節(jié)點(diǎn)即可直接訪問(wèn)到節(jié)點(diǎn)。 Beautiful Soup對(duì)象+”.”+節(jié)點(diǎn)+”.”+string即可提取到節(jié)點(diǎn)的文本信息。
用法 | 描述 |
---|---|
soup.title | 選擇第一個(gè)title節(jié)點(diǎn) |
soup.title.string | 提取第一個(gè)title節(jié)點(diǎn)的文本信息 |
soup.title.attrs | 獲取第一個(gè)title節(jié)點(diǎn)的所有屬性,返回的結(jié)果的詞典。 如果有class屬性,則class屬性返回的是list,class屬性之間以空格當(dāng)做分隔符 |
soup.p.contents | 獲取第一個(gè)p節(jié)點(diǎn)的所有直接子節(jié)點(diǎn)。 該方法返回的是第一個(gè)p節(jié)點(diǎn)中包含的所有直接子字節(jié)點(diǎn)和文本, 不包含孫節(jié)點(diǎn),兩個(gè)節(jié)點(diǎn)之間的文本也當(dāng)做是一個(gè)節(jié)點(diǎn)返回。 返回的結(jié)果是列表 |
soup.p.children | 返回第一個(gè)p節(jié)點(diǎn)的所有直接子節(jié)點(diǎn),返回的結(jié)果是list_iterator對(duì)象 |
soup.p.descendants | 獲取第一個(gè)p節(jié)點(diǎn)的所有子孫節(jié)點(diǎn) |
soup.a.parent | 獲取第一個(gè)a節(jié)點(diǎn)的父節(jié)點(diǎn) |
soup.a.parents | 獲取第一個(gè)a節(jié)點(diǎn)的所有祖先節(jié)點(diǎn) |
soup.p.next_siblings | 獲取第一個(gè)p節(jié)點(diǎn)的下一個(gè)兄弟節(jié)點(diǎn) |
soup.p.previous_siblings | 獲取第一個(gè)p節(jié)點(diǎn)的上一個(gè)兄弟節(jié)點(diǎn) |
方法選擇器:
根據(jù)傳入的參數(shù)查找符合條件的節(jié)點(diǎn)。 下面是方法選擇器提供的方法:
方法 | 描述 |
---|---|
find_all(name,attrs,recursive,text,**kwargs) | 根據(jù)傳入?yún)?shù)查找所有符合條件的節(jié)點(diǎn), name是節(jié)點(diǎn)名,attrs屬性值,text文本內(nèi)容等。 text參數(shù)可以是字符串,也可以是正則表達(dá)式: soup.find_all(text=re.compile(‘test')) |
find(name,attrs,recursive,text,**kwargs) | 返回第一個(gè)符合條件的節(jié)點(diǎn) |
find_parents() | 返回所有祖先節(jié)點(diǎn) |
find_parent() | 返回父節(jié)點(diǎn) |
find_next_siblings() | 往后查找,所有兄弟節(jié)點(diǎn) |
find_next_sibling() | 往后查找,返回第一個(gè)兄弟節(jié)點(diǎn) |
find_previous_siblings() | 往前查找,返回所有兄弟節(jié)點(diǎn) |
find_previous_sibling() | 往前查找,返回第一個(gè)兄弟節(jié)點(diǎn) |
在使用上面的方法時(shí),如果參數(shù)中有Python的關(guān)鍵字,則需要在參數(shù)下面加一個(gè)下劃線,例如下面的代碼,class是Python的關(guān)鍵字,必須在class后加下劃線class_=”title_class”:
from bs4 import BeautifulSoup html = ''' <html> <body> <title id="title_id" class="title_class" name="title name">Test BeautifulSoup</title> <p> <a href = "./test_beautifulsoup.html">test beautifulsoup link<a> </p> <ul> <li class="animal">cat</li> <li class="animal">dog</li> </ul> </body> </html> ''' soup = BeautifulSoup(html,'lxml') print(soup.find_all(name='title',class_='title_class'))
CSS選擇器:
BeautifulSoup還支持獲取css元素,例如ul、div、li等元素。CSS選擇器主要提供select()方法獲取符合條件的節(jié)點(diǎn)(Tag對(duì)象),然后通過(guò)節(jié)點(diǎn)的get_text()方法和text屬性可以獲取該節(jié)點(diǎn)的文本值。
select方法還可以根據(jù)css的樣式規(guī)則選擇相應(yīng)的節(jié)點(diǎn):
from bs4 import BeautifulSoup html = ''' <html> <body> <title id="title_id" class="title_class" name="title name">Test BeautifulSoup</title> <p> <a href = "./test_beautifulsoup.html">test beautifulsoup link<a> </p> <ul class="animal" id="aninal_id"> <li class="cat">cat</li> <li class="animal dog">dog</li> </ul> <ul class="fruit" id = "fruit_id"> <li class="apple">apple</li> <li class="banana">banana</li> </ul> </body> </html> ''' soup = BeautifulSoup(html,'lxml') print('獲取id為title_的所有節(jié)點(diǎn)') print(soup.select('#title_id')) print('獲取class為title_的所有節(jié)點(diǎn)') print(soup.select('.title_class')) print('獲取所有ul節(jié)點(diǎn)下面的所有l(wèi)i節(jié)點(diǎn)') print(soup.select('ul li')) print('獲取所有class為fruit節(jié)點(diǎn)下的所有l(wèi)i節(jié)點(diǎn)') print(soup.select('.fruit li')) print('獲取所有class為fruit節(jié)點(diǎn)下的第一個(gè)li節(jié)點(diǎn)的文本值') print(soup.select('.fruit li')[0].string) print('獲取所有class為fruit節(jié)點(diǎn)下的第一個(gè)li節(jié)點(diǎn)的文本值') print(soup.select('.fruit li')[0].get_text()) print('獲取所有class為fruit節(jié)點(diǎn)下的第一個(gè)li節(jié)點(diǎn)的class屬性值,注意class屬性返回的是list列表,屬性之間用空格分隔') print(soup.select('.fruit li')[0].attrs['class']) print(soup.select('.animal li')[1].attrs['class']) print('循環(huán)迭代所有ul下面的所有l(wèi)i節(jié)點(diǎn)的文本值') for li in soup.select('ul li'): print(li.text)
下面使用Beautiful Soup爬取豆瓣音樂(lè)排行榜。 在瀏覽器中打開(kāi)豆瓣音樂(lè)排行榜,打開(kāi)瀏覽器,輸入網(wǎng)址:https://music.douban.com/chart,我們要抓取的是每首歌曲的排名、歌曲名、演唱者、播放次數(shù)、上榜天數(shù)等數(shù)據(jù)。
下面分析怎么通過(guò)beautiful soup抓取到我們的數(shù)據(jù)。 通過(guò)開(kāi)發(fā)者工具,我們可以看到所有歌曲是在class為article的div中,然后每首個(gè)在class為clearfix的li中。
因此首先使用css選擇器獲取到class為article下面的所有l(wèi)i節(jié)點(diǎn):
soup.select(".article li")
然后查看每首歌曲的html代碼:
紅色框部分是一首歌的html代碼。 歌曲排名在class為“gree-num-box”的span節(jié)點(diǎn)中,因?yàn)閟pan節(jié)點(diǎn)是<li class="clearfix">節(jié)點(diǎn)的子節(jié)點(diǎn),獲取排名的代碼為:li.span.text
綠色框中A節(jié)點(diǎn)中是歌曲的鏈接和圖片鏈接,獲取歌曲鏈接的代碼為:li.a['href']
藍(lán)色框中是歌曲的名字、演唱者和播放次數(shù),歌曲名是在class=”icon-play”的H3節(jié)點(diǎn)中,因此可以使用方法選擇器中的find()方法獲取到H3節(jié)點(diǎn),然后獲取H3節(jié)點(diǎn)下面a節(jié)點(diǎn)中的文本信息就是歌曲的名字,代碼為:li.find(class_="icon-play").a.text
獲取演唱者和播放次數(shù)的代碼為: li.find(class_="intro").p.text.strip()
獲取上榜天數(shù)的代碼為:
li.find(class_="days").text.strip()
在豆瓣音樂(lè)排行榜的頁(yè)面一個(gè)現(xiàn)實(shí)20首歌曲,前面10首歌曲會(huì)有圖片,后面10首歌曲是沒(méi)有圖片的,因此后面10首歌曲將不獲取圖片的地址。
另外還有一點(diǎn)需要注意的是,后面10首歌曲的演唱者和播放次數(shù)是在class=”icon-play”的p節(jié)點(diǎn)中:
而該節(jié)點(diǎn)中有a節(jié)點(diǎn),要想獲取a節(jié)點(diǎn)外的信息,必須使用節(jié)點(diǎn)選擇器的contents方法: li.find(class_="intro").p.contents[2].strip() contents返回的是p節(jié)點(diǎn)的直接子節(jié)點(diǎn),以列表的形式返回,這里返回列表中有3個(gè)元素,分別是<p>后的字符串,a節(jié)點(diǎn)、演唱者/播次數(shù)。contents會(huì)將直接子節(jié)點(diǎn)之間的換行符也當(dāng)做一個(gè)元素。 代碼整理后如下:
# coding:utf-8 from bs4 import BeautifulSoup import requests def parseHtml(url): headers = {"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 SE 2.X MetaSr 1.0"} response = requests.get(url,headers=headers) soup = BeautifulSoup(response.text,'lxml') #使用css選擇器獲取class="article"的節(jié)點(diǎn)下面的所有l(wèi)i節(jié)點(diǎn) for index,li in enumerate(soup.select(".article li")): if(index <10): print('歌曲排名:' + li.span.text) print('歌曲鏈接:' + li.a['href']) print('歌曲名:' + li.find(class_="icon-play").a.text)#使用方法選擇器 print('演唱者/播放次數(shù):' + li.find(class_="intro").p.text.strip()) print('上榜時(shí)間:'+li.find(class_="days").text.strip()) else: print('歌曲排名:' + li.span.text) print('歌曲名:' + li.find(class_="icon-play").a.text) print('演唱者/播放次數(shù):' + li.find(class_="intro").p.contents[2].strip())#方法選擇器和節(jié)點(diǎn)選擇器搭配使用 print('上榜時(shí)間:' + li.find(class_="days").text.strip()) print('—————————————————強(qiáng)力分隔符———————————————————') def main(): url = "https://music.douban.com/chart" parseHtml(url) if __name__ == '__main__': main()
本文通過(guò)爬取豆瓣音樂(lè)排行榜的小項(xiàng)目學(xué)習(xí)了如何使用Beautiful Soup的節(jié)點(diǎn)選擇器、方法選擇器、CSS選擇器來(lái)爬取一個(gè)網(wǎng)頁(yè)。這三個(gè)選擇器可以混合搭配使用。
以上就是本文的全部?jī)?nèi)容,希望對(duì)大家的學(xué)習(xí)有所幫助,也希望大家多多支持億速云。
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng),如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。