Python爬虫--BeautifulSoup(三)

作者: 无剑_君 | 来源:发表于2019-12-05 09:21 被阅读0次

一、Beautiful Soup简介

Beautiful Soup是python的一个库，最主要的功能是从网页抓取数据。
官方解释如下：
Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。
Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。你不需要考虑编码方式，除非文档没有指定一个编码方式，这时，Beautiful Soup就不能自动识别编码方式了。然后，你仅仅需要说明一下原始编码方式就可以了。
Beautiful Soup已成为和lxml、html5lib一样出色的python解释器，为用户灵活地提供不同的解析策略或强劲的速度。
BeautifulSoup支持Python标准库中的HTML解析器,还支持一些第三方的解析器，如果我们不安装它，则 Python 会使用 Python默认的解析器，lxml 解析器更加强大，速度更快，推荐使用lxml 解析器。
官网文档：https://beautifulsoup.readthedocs.io/zh_CN/latest/
BeautifulSoup4主要解析器：

解析器	使用方法	优势	劣势
Python标准库	BeautifulSoup(markup, "html.parser")	Python内置标准库执行速度适中文档容错能力强	Python 2.7.3 and 3.2.2 之前的版本容错能力差
lxml HTML 解析器	BeautifulSoup(markup, "lxml")	速度快容错能力强	需安装C语言库
lxml XML 解析器	BeautifulSoup(markup, "lxml-xml") BeautifulSoup(markup,"xml")	速度快唯一支持xml解析	需安装C语言库
html5lib 解析器	BeautifulSoup(markup, "html5lib")	最好的容错方式以浏览器的方式解析文档生成HTML5格式的文档	速度慢，不依赖外部扩展

二、模块安装

需安装：lxml模块
注意：4.3.2 没有集成 etree
请安装3.7.2：

(film) C:\Users\Administrator>conda install lxml==3.7.2
# 安装lxml
pip install lxml
# 2.x+版本
pip install BeautifulSoup
# 3.x+请安装以下版本
pip install beautifulsoup4

二、BeautifulSoup4使用

假设有这样一个Html，具体内容如下：

<!DOCTYPE html>
<html>
<head>
    <meta content="text/html;charset=utf-8" http-equiv="content-type" />
    <meta content="IE=Edge" http-equiv="X-UA-Compatible" />
    <meta content="always" name="referrer" />
    <link href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css" rel="stylesheet" type="text/css" />
    <title>百度一下，你就知道 </title>
</head>
<body link="#0000cc">
  <div id="wrapper">
    <div id="head">
        <div class="head_wrapper">
          <div id="u1">
            <a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻 </a>
            <a class="mnav" href="https://www.hao123.com" name="tj_trhao123">hao123 </a>
            <a class="mnav" href="http://map.baidu.com" name="tj_trmap">地图 </a>
            <a class="mnav" href="http://v.baidu.com" name="tj_trvideo">视频 </a>
            <a class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">贴吧 </a>
            <a class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;">更多产品 </a>
          </div>
        </div>
    </div>
  </div>
</body>
</html>

创建beautifulsoup4对象并获取内容：

from bs4 import BeautifulSoup

file = open('./index.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")
print(bs.prettify())     # 缩进格式
print(bs.title)          # 获取title标签的所有内容
print(bs.title.name)     # 获取title标签的名称
print(bs.title.string)   # 获取title标签的文本内容
print(bs.head)           # 获取head标签的所有内容
print(bs.div)            # 获取第一个div标签中的所有内容
print(bs.div["id"])      # 获取第一个div标签的id的值
print(bs.a)              # 获取第一个a标签中的所有内容
print(bs.find_all("a"))  # 获取所有的a标签中的所有内容
print(bs.find(id="u1"))   # 获取id="u1"
for item in bs.find_all("a"):
    print(item.get("href")) # 获取所有的a标签，并遍历打印a标签中的href的值
for item in bs.find_all("a"):
    print(item.get_text())# 获取所有的a标签，并遍历打印a标签的文本值

三、BeautifulSoup4四大对象种类

BeautifulSoup4将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种:
Tag
NavigableString
BeautifulSoup
Comment

1. Tag

Tag通俗点讲就是HTML中的一个个标签，例如：

from bs4 import BeautifulSoup

file = open('./index.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")

# 获取title标签的所有内容
print(bs.title)

# 获取head标签的所有内容
print(bs.head)

# 获取第一个a标签的所有内容
print(bs.a)

# 类型
print(type(bs.a))

可以利用 soup 加标签名轻松地获取这些标签的内容，这些对象的类型是bs4.element.Tag。
但是注意，它查找的是在所有内容中的第一个符合要求的标签。
对于 Tag，它有两个重要的属性，是name和attrs：

from bs4 import BeautifulSoup

file = open('./index.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")

# [document] #bs 对象本身比较特殊，它的 name 即为 [document]
print(bs.name)
# head #对于其他内部标签，输出的值便为标签本身的名称
print(bs.head.name)
# 在这里，我们把 a 标签的所有属性打印输出了出来，得到的类型是一个字典。
print(bs.a.attrs)
# 还可以利用get方法，传入属性的名称，二者是等价的
print(bs.a['class']) # 等价 bs.a.get('class')
# 可以对这些属性和内容等等进行修改
bs.a['class'] = "newClass"
print(bs.a)
# 还可以对这个属性进行删除
del bs.a['class']
print(bs.a)

2. NavigableString

获取标签内部的文字,用 .string 即可。

from bs4 import BeautifulSoup

file = open('./index.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")

print(bs.title.string)
print(type(bs.title.string))

3. BeautifulSoup

BeautifulSoup对象表示的是一个文档的内容。大部分时候，可以把它当作 Tag 对象，是一个特殊的 Tag，我们可以分别获取它的类型，名称，以及属性:

from bs4 import BeautifulSoup

file = open('./index.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")

print(type(bs.name))
print(bs.name)
print(bs.attrs)

4. Comment

Comment 对象是一个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号。

from bs4 import BeautifulSoup

file = open('./index.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")

print(bs.a)
# 此时不能出现空格和换行符，a标签如下：
# <a class="mnav" href="http://news.baidu.com" name="tj_trnews"><!--新闻--></a>
print(bs.a.string)          # 新闻
print(type(bs.a.string))    # <class 'bs4.element.Comment'>

四、遍历文档树

1. contents：获取Tag的所有子节点，返回一个list

from bs4 import BeautifulSoup

file = open('./index.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")

# tag的.content 属性可以将tag的子节点以列表的方式输出
print(bs.head.contents)
# 用列表索引来获取它的某一个元素
print(bs.head.contents[1])

2. .children：获取Tag的所有子节点，返回一个生成器

from bs4 import BeautifulSoup

file = open('./index.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")

for child in  bs.body.children:
    print(child)

3. .descendants：获取Tag的所有子孙节点

4. .strings：如果Tag包含多个字符串，即在子孙节点中有内容，可以用此获取，而后进行遍历

5. .stripped_strings：与strings用法一致，只不过可以去除掉那些多余的空白内容

6. .parent：获取Tag的父节点

7. .parents：递归得到父辈元素的所有节点，返回一个生成器

8. .previous_sibling：获取当前Tag的上一个节点，属性通常是字符串或空白，真实结果是当前标签与上一个标签之间的顿号和换行符

9、.next_sibling：获取当前Tag的下一个节点，属性通常是字符串或空白，真是结果是当前标签与下一个标签之间的顿号与换行符

10. .previous_siblings：获取当前Tag的上面所有的兄弟节点，返回一个生成器

11. .next_siblings：获取当前Tag的下面所有的兄弟节点，返回一个生成器

12. .previous_element：获取解析过程中上一个被解析的对象(字符串或tag)，可能与previous_sibling相同，但通常是不一样的

13. .next_element：获取解析过程中下一个被解析的对象(字符串或tag)，可能与next_sibling相同，但通常是不一样的

14. .previous_elements：返回一个生成器，可以向前访问文档的解析内容

15. .next_elements：返回一个生成器，可以向后访问文档的解析内容

16. .has_attr：判断Tag是否包含属性

五、搜索文档树

find_all(name, attrs, recursive, text, **kwargs)
在上面的栗子中我们简单介绍了find_all的使用，接下来介绍一下find_all的更多用法-过滤器。这些过滤器贯穿整个搜索API，过滤器可以被用在tag的name中，节点的属性等。
（1）name参数：
字符串过滤：会查找与字符串完全匹配的内容:

from bs4 import BeautifulSoup

file = open('./index.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")

a_list = bs.find_all("a")
print(a_list)

正则表达式过滤：如果传入的是正则表达式，那么BeautifulSoup4会通过search()来匹配内容

from bs4 import BeautifulSoup
# 正则表达式
import re

file = open('./index.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")

t_list = bs.find_all(re.compile("a"))
for item in t_list:
   print(item)

列表：如果传入一个列表，BeautifulSoup4将会与列表中的任一元素匹配到的节点返回

from bs4 import BeautifulSoup

file = open('./index.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")

t_list = bs.find_all(["meta","link"])
for item in t_list:
    print(item)

方法：传入一个方法，根据方法来匹配

from bs4 import BeautifulSoup

file = open('./index.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")

# 定义函数
def name_is_exists(tag):
    return tag.has_attr("name")

# 使用函数
t_list = bs.find_all(name_is_exists)
for item in t_list:
    print(item)

（2）kwargs参数：

from bs4 import BeautifulSoup
import re

file = open('./index.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")

# 查询id=head的Tag
t_list = bs.find_all(id="head")
print(t_list)
# 查询href属性包含ss1.bdstatic.com的Tag
t_list = bs.find_all(href=re.compile("http://news.baidu.com"))
print(t_list)
# 查询所有包含class的Tag(注意：class在Python中属于关键字，所以加_以示区别)
t_list = bs.find_all(class_=True)
for item in t_list:
    print(item)

（3）attrs参数：
并不是所有的属性都可以使用上面这种方式进行搜索，比如HTML的data-*属性：

t_list = bs.find_all(data-foo="value")

如果执行这段代码，将会报错。我们可以使用attrs参数，定义一个字典来搜索包含特殊属性的tag：

from bs4 import BeautifulSoup
import re

file = open('./index.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")

t_list = bs.find_all(attrs={"data-foo":"value"})
for item in t_list:
    print(item)

（4）text参数：
通过text参数可以搜索文档中的字符串内容，与name参数的可选值一样，text参数接受字符串，正则表达式，列表:

from bs4 import BeautifulSoup
import re

file = open('./index.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")

t_list = bs.find_all(attrs={"data-foo": "value"})
for item in t_list:
    print(item)
t_list = bs.find_all(text="hao123")
for item in t_list:
    print(item)
t_list = bs.find_all(text=["hao123", "地图", "贴吧"])
for item in t_list:
    print(item)
t_list = bs.find_all(text=re.compile("\d"))
for item in t_list:
    print(item)

当我们搜索text中的一些特殊属性时，同样也可以传入一个方法来达到我们的目的：

from bs4 import BeautifulSoup
import re

file = open('./index.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")

# 定义函灵敏
def length_is_two(text):
    return text and len(text) == 2

t_list = bs.find_all(text=length_is_two)
for item in t_list:
    print(item)

（5）limit参数：
可以传入一个limit参数来限制返回的数量，当搜索出的数据量为5，而设置了limit=2时，此时只会返回前2个数据:

from bs4 import BeautifulSoup
import re

file = open('./index.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")

t_list = bs.find_all("a",limit=2)
for item in t_list:
    print(item)

find_all除了上面一些常规的写法，还可以对其进行一些简写：

from bs4 import BeautifulSoup
import re

file = open('./index.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")

# 两者是相等的
# t_list = bs.find_all("a") => t_list = bs("a")
t_list = bs("a") # 两者是相等的
# t_list = bs.a.find_all(text="新闻") => t_list = bs.a(text="新闻")
t_list = bs.a(text="新闻")

2. find()

find()将返回符合条件的第一个Tag，有时我们只需要或一个Tag时，我们就可以用到find()方法了。当然了，也可以使用find_all()方法，传入一个limit=1，然后再取出第一个值也是可以的，不过未免繁琐。

from bs4 import BeautifulSoup
import re

file = open('./index.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")

# 返回只有一个结果的列表
t_list = bs.find_all("title",limit=1)
print(t_list)
# 返回唯一值
t = bs.find("title")
print(t)
# 如果没有找到，则返回None
t = bs.find("abc")
print(t)

从结果可以看出find_all，尽管传入了limit=1，但是返回值仍然为一个列表，当我们只需要取一个值时，远不如find方法方便。但是如果未搜索到值时，将返回一个None

可以通过bs.div来获取第一个div标签，如果我们需要获取第一个div下的第一个div，我们可以这样：

from bs4 import BeautifulSoup
import re

file = open('./index.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")

t = bs.div.div
# 等价于
t = bs.find("div").find("div")
print(t)

六、CSS选择器

BeautifulSoup支持发部分的CSS选择器，在Tag获取BeautifulSoup对象的.select()方法中传入字符串参数，即可使用CSS选择器的语法找到Tag:

通过标签名查找

from bs4 import BeautifulSoup
import re

file = open('./index.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")

print(bs.select('title'))
print(bs.select('a'))

通过类名查找

from bs4 import BeautifulSoup
import re

file = open('./index.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")

print(bs.select('.mnav'))

通过id查找

from bs4 import BeautifulSoup
import re

file = open('./index.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")

print(bs.select('#u1'))

组合查找

from bs4 import BeautifulSoup
import re

file = open('./index.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")

print(bs.select('div .bri'))

属性查找

from bs4 import BeautifulSoup
import re

file = open('./index.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")

print(bs.select('a[class="bri"]'))
print(bs.select('a[href="http://tieba.baidu.com"]'))

直接子标签查找

from bs4 import BeautifulSoup
import re

file = open('./index.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")

t_list = bs.select("head > title")
print(t_list)

兄弟节点标签查找

from bs4 import BeautifulSoup
import re

file = open('./index.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")

t_list = bs.select(".mnav ~ .bri")
print(t_list)

获取内容

from bs4 import BeautifulSoup
import re

file = open('./index.html', 'rb')
html = file.read()
bs = BeautifulSoup(html,"html.parser")

t_list = bs.select("title")
print(bs.select('title')[0].get_text())

七、示例

BeautifulSoup 解析58同城网

#encoding:UTF-8
from bs4 import BeautifulSoup
import requests
import time
import json
 
url = 'http://bj.58.com/pingbandiannao/24604629984324x.shtml'
 
wb_data = requests.get(url)
soup = BeautifulSoup(wb_data.text,'lxml')
 
#获取每件商品的URL
def get_links_from(who_sells):
    urls = []
    list_view = 'http://bj.58.com/pbdn/pn{}/'.format(str(who_sells))
    print ('list_view:{}'.format(list_view) )
    wb_data = requests.get(list_view)
    soup = BeautifulSoup(wb_data.text,'lxml')
    #for link in soup.select('td.t > a.t'):
    for link in soup.select('td.t  a.t'):  #跟上面的方法等价
        print link
        urls.append(link.get('href').split('?')[0])
    return urls
  
#获取58同城每一类商品的url  比如平板电脑  手机 等
def get_classify_url():
    url58 = 'http://bj.58.com'
    wb_data = requests.get(url58)
    soup = BeautifulSoup(wb_data.text, 'lxml')
    for link in soup.select('span.jumpBusiness a'):
        classify_href = link.get('href')
        print classify_href
        classify_url = url58 + classify_href
        print classify_url
 
#获取每件商品的具体信息
def get_item_info(who_sells=0):
 
    urls = get_links_from(who_sells)
    for url in urls:
        print url
        wb_data = requests.get(url)
        #print wb_data.text
        soup = BeautifulSoup(wb_data.text,'lxml')
        #print soup.select('infolist > div > table > tbody > tr.article-info > td.t > span.pricebiao > span')   ##infolist > div > table > tbody > tr.article-info > td.t > span.pricebiao > span
        print soup.select('span[class="price_now"]')[0].text
        print soup.select('div[class="palce_li"]')[0].text
        #print list(soup.select('.palce_li')[0].stripped_strings) if soup.find_all('div','palce_li') else None,  #body > div > div > div > div > div.info_massege.left > div.palce_li > span > i
        data = {
            'title':soup.title.text,
            'price': soup.select('span[class="price_now"]')[0].text,
            'area': soup.select('div[class="palce_li"]')[0].text if soup.find_all('div', 'palce_li') else None,
            'date' :soup.select('.look_time')[0].text,
            'cate' :'个人' if who_sells == 0 else '商家',
        }
        print(data)
        result = json.dumps(data, encoding='UTF-8', ensure_ascii=False) #中文内容仍然无法正常显示。 使用json进行格式转换，然后打印输出。
        print result
 
# get_item_info(url)
 
# get_links_from(1)
 
get_item_info(2)
#get_classify_url()

时光网电影票房 top 100
Mtime时光网
http://movie.mtime.com/boxoffice/

# -*- coding:UTF-8 -*-

from bs4 import BeautifulSoup
import pandas as pd
import requests

"""
pandas 模块
requests 模块
BeautifulSoup 模块
openpyxl 模块

爬取时光网电影票房数据
"""
def sgw(year):
    # 设置session
    s = requests.session()
    headers = {
        'Accept': '*/*',
        'Accept-Encoding': 'gzip, deflate',
        'Accept-Language': 'zh-CN,zh;q=0.9',
        'Connection': 'keep-alive',
        'Host': 'movie.mtime.com',
        'Referer': 'http://movie.mtime.com/boxoffice/',
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/68.0.3440.15 Safari/537.36',
        'X-Requested-With': 'XMLHttpRequest',
    }
    # 更新头信息
    s.headers.update(headers)
    #
    df = pd.DataFrame(columns=('排名', '电影', '类型', '首日票房（元）', '年度票房（元）', '上映日期'))
    x = 0

    for i in range(10):
        # 两个参数 一个为年，一个为页
        url = 'http://movie.mtime.com/boxoffice/?year={}&area=china&type=MovieRankingYear&category=all&page={}&display=table&timestamp=1547015331595&version=07bb781100018dd58eafc3b35d42686804c6df8d&dataType=json'.format(
            year,str(i))
        req = s.get(url=url, verify=False).text
        bs = BeautifulSoup(req, 'lxml')
        tr = bs.find_all('tr')
        for j in tr[1:]:
            td = j.find_all('td')
            list = []
            for k in range(6):
                if k == 1:
                    nm = td[k].find('a').text
                    print(td[k].a.string)
                    list.append(nm)
                else:
                    list.append(td[k].text)
            df.loc[x] = list
            x = x + 1
    print(df)
    df.to_excel('时光网.xlsx', index=False, encoding="GB18030")

# 调用方法
sgw(2019)

豆瓣top250电影
https://movie.douban.com/top250

豆瓣top250电影

# -*- coding: utf-8 -*-
from bs4 import BeautifulSoup
import requests

'''
requests 模块
BeautifulSoup 模块
lxml 模块
豆瓣top250电影
'''

rank = 1
def write_one_page(soup):
    global rank
    # 查找相应数据
    for k in soup.find('div',class_='article').find_all('div',class_='info'):
        name = k.find('div',class_='hd').find_all('span')       #电影名字
        score = k.find('div',class_='star').find_all('span')    #分数

        if k.find('p',class_='quote') != None :
            inq = k.find('p',class_='quote').find('span')           #一句话简介

        #抓取年份、国家
        actor_infos_html = k.find(class_='bd')

        #strip() 方法用于移除字符串头尾指定的字符（默认为空格）
        actor_infos = actor_infos_html.find('p').get_text().strip().split('\n')
        # \xa0 是不间断空白符 &nbsp;
        actor_infos1 = actor_infos[0].split('\xa0\xa0\xa0')
        director = actor_infos1[0][3:]
        role = actor_infos[1]
        year_area = actor_infos[1].lstrip().split('\xa0/\xa0')
        year = year_area[0]
        country = year_area[1]
        type = year_area[2]
        # 序号 电影名称 评分 简介 年份 地区  类型
        print(rank,name[0].string,score[1].string,inq.string,year,country,type)
        #写txt
        write_to_file(rank,name[0].string,score[1].string,year,country,type,inq.string)
        # 页数
        rank=rank+1
# 写文件
def write_to_file(rank,name,score,year,country,type,quote):
    with open('Top_250_movie.txt', 'a', encoding='utf-8') as f:
        f.write(str(rank)+';'+str(name)+';'+str(score)+';'+str(year)+';'+str(country)+';'+str(type)+';'+str(quote)+'\n')
        f.close()

if __name__ == '__main__':
    for i in range(10):
        a = i*25
        # https://movie.douban.com/top250
        url = "https://movie.douban.com/top250?start="+str(a)+"&filter="
        f = requests.get(url)
        # 创建对象
        soup = BeautifulSoup(f.content, "lxml")

        write_one_page(soup)