当前位置： 移动技术网 > IT编程>脚本编程>Python > Python爬虫BS4库的解析器正确使用方法

Python爬虫BS4库的解析器正确使用方法

2020年03月22日  | 移动技术网IT编程  | 我要评论

2013中国大学排行榜600强,东一方,淮北矿业集团内网

 

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。

您可能感兴趣的文章:

如对本文有疑问，请在下面进行留言讨论，广大热心网友会与你互动！！ 点击进行留言回复

相关文章:

验证码：
最近更新的文章
大家感兴趣的文章
移动技术网