欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

Python爬虫BS4库的解析器正确使用方法

程序员文章站 2022-03-25 17:24:51
bs4库之所以能快速的定位我们想要的元素,是因为他能够用一种方式将html文件解析了一遍 ,不同的解析器有不同的效果。下文将一一进行介绍。 bs4解析器的选择 网络爬虫的最终目的就是过滤选取网络信息,最重要的部分可以说是解析器。解析器的优劣决定了爬虫的速度和效率。bs4库除了支持我们上文用过的‘ht ......

 

bs4库之所以能快速的定位我们想要的元素,是因为他能够用一种方式将html文件解析了一遍 ,不同的解析器有不同的效果。下文将一一进行介绍。

bs4解析器的选择

网络爬虫的最终目的就是过滤选取网络信息,最重要的部分可以说是解析器。解析器的优劣决定了爬虫的速度和效率。bs4库除了支持我们上文用过的‘html.parser’解析器外,还支持很多第三方的解析器,下面我们来对他们进行对比分析。

bs4库官方推荐我们使用的是lxml解析器,原因是它具有更高的效率,所以我们也将采用lxml解析器。
ps注意:很多人学python过程中会遇到各种烦恼问题,没有人解答容易放弃。为此小编建了个python全栈免费答疑.裙 :七衣衣九七七巴而五(数字的谐音)转换下可以找到了,不懂的问题有老司机解决里面还有最新python实战教程免非下,,一起相互监督共同进步!

lxml解析器的安装:

  • 依旧采用pip安装工具来安装:
$ pip install lxml

注意,由于我用的是unix类系统,用pip工具十分的方便,但是如果在windows下安装,总是会出现这样或者那样的问题,这里推荐win用户去lxml官方,下载安装包,来安装适合自己系统版本的lxml解析器。

使用lxml解析器来解释网页

我们依旧以上一篇的 爱丽丝文档 为例子

    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>
    """

试一下吧:

import bs4
    
    
#首先我们先将html文件已lxml的方式做成一锅汤
soup = bs4.beautifulsoup(open('beautiful soup 爬虫/demo.html'),'lxml')
    
#我们把结果输出一下,是一个很清晰的树形结构。
#print(soup.prettify())
    
'''
out:
    
<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 class="sister" href="http://example.com/elsie" id="link1">
    elsie
   </a>
   ,
   <a class="sister" href="http://example.com/lacie" id="link2">
    lacie
   </a>
   and
   <a class="sister" href="http://example.com/tillie" id="link3">
    tillie
   </a>
   ;
and they lived at the bottom of a well.
  </p>
  <p class="story">
   ...
  </p>
 </body>
</html>
'''

如何具体的使用?

bs4 库首先将传入的字符串或文件句柄转换为 unicode的类型,这样,我们在抓取中文信息的时候,就不会有很麻烦的编码问题了。当然,有一些生僻的编码 如:‘big5’,就需要我们手动设置编码:
soup = beautifulsoup(markup, from_encoding="编码方式")

对象的种类:

bs4 库将复杂的html文档转化为一个复杂的树形结构,每个节点都是python对象 ,所有对象可以分为以下四个类型:tag , navigablestring , beautifulsoup , comment
我们来逐一解释:

tag: 和html中的tag基本没有区别,可以简单上手使用

navigablestring: 被包裹在tag内的字符串

beautifulsoup: 表示一个文档的全部内容,大部分的时候可以吧他看做一个tag对象,支持遍历文档树和搜索文档树方法。

comment:这是一个特殊的navigablesting对象,在出现在html文档中时,会以特殊的格式输出,比如注释类型。

搜索文档树的最简单的方法就是搜索你想获取tag的的name:

soup.head
# <head><title>the dormouse's story</title></head>

soup.title
# <title>the dormouse's story</title>

如果你还想更深入的获得更小的tag:例如我们想找到body下的被b标签包裹的部分

soup.body.b
# <b>the dormouse's story</b>

但是这个方法只能找到按顺序第一个出现的tag

获取所有的标签呢?

这个时候需要find_all()方法,他返回一个列表类型

tag=soup.find_all('a')
# [<a class="sister" href="http://example.com/elsie" id="link1">elsie</a>,
#  <a class="sister" href="http://example.com/lacie" id="link2">lacie</a>,
#  <a class="sister" href="http://example.com/tillie" id="link3">tillie</a>]
#假设我们要找到a标签中的第二个元素:
need = tag[1]
#简单吧

tag的.contents属性可以将tag的子节点以列表的方式输出:

head_tag = soup.head
head_tag
# <head><title>the dormouse's story</title></head>

head_tag.contents
[<title>the dormouse's story</title>]
title_tag = head_tag.contents[0]
print(title_tag)
# <title>the dormouse's story</title>
title_tag.contents
# [u'the dormouse's story']
  • 另外通过tag的 .children生成器,可以对tag的子节点进行循环:
for child in title_tag.children:
    print(child)
    # the dormouse's story
  • 这种方式只能遍历出子节点。如何遍历出子孙节点呢?

子孙节点:比如 head.contents 的子节点是<title>the dormouse's story</title>,这里 title本身也有子节点:‘the dormouse‘s story’ 。这里的‘the dormouse‘s story’也叫作head的子孙节点

for child in head_tag.descendants:
    print(child)
    # <title>the dormouse's story</title>
    # the dormouse's story

如何找到tag下的所有的文本内容呢?

1、如果该tag只有一个子节点(navigablestring类型):直接使用tag.string就能找到。

2、如果tag有很多个子、孙节点,并且每个节点里都string:

我们可以用迭代的方式将其全部找出:

for string in soup.strings:
    print(repr(string))
    # u"the dormouse's story"
    # u'\n\n'
    # u"the dormouse's story"
    # u'\n\n'
    # u'once upon a time there were three little sisters; and their names were\n'
    # u'elsie'
    # u',\n'
    # u'lacie'
    # u' and\n'
    # u'tillie'
    # u';\nand they lived at the bottom of a well.'
    # u'\n\n'
    # u'...'
    # u'\n'好了,关于bs4库的基本使用,我们就先介绍到这。剩下来的部分:父节点、兄弟节点、回退和前进,都与上面从子节点找元素的过程差不多,

总结

很多人学python过程中会遇到各种烦恼问题,没有人解答容易放弃。为此小编建了个python全栈免费答疑.裙 :七衣衣九七七巴而五(数字的谐音)转换下可以找到了,不懂的问题有老司机解决里面还有最新python实战教程免非下,,一起相互监督共同进步!

本文的文字及图片来源于网络加上自己的想法,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。