Python爬蟲(十四)_BeautifulSoup4 解析器
CSS選擇器：BeautifulSoup4
和lxml一樣，Beautiful Soup也是一個HTML/XML的解析器，主要的功能也是如何解析和提取HTML/XML數據。
lxml只會局部遍歷，而Beautiful Soup是基於HTML DOM的，會載入整個文檔，解析整個DOM樹，因此時間和內存開銷都會大很多，所以性能要低於lxml。
BeautifulSoup用來解析HTML比較簡單，API非常人性化，支持CSS選擇器、Python標準庫中的HTML解析器，也支持lxml的XML解析器。
Beautiful Soup3目前已經停止開發，推薦現在的項目使用Beautiful Soup。使用pip安裝即可：pip install beautifulsoup4
官方文檔： http://beautifulsoup.readthedocs.io/zh_CN/v4.4.0
|抓取工具|速度|使用難道|安裝難度|
|---|---|--|----|
|正則|最快|困難|無(內置)|
|BeautifulSoup|慢|最簡單|簡單|
|lxml|快|簡單|一般|
實例：
首先必須要導入bs4庫
# 07-urllib2_beautipulsoup_prettify
from bs4 import BeautifulSoup
html = """
<html><head><title>The Dormouse's story</title></head> 運行結果：
<html>
<head>
<title>
The Dormouse's story
</title>
</head>
<body>
<p class="title" name="dromouse">
<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>
- 如果我們在IPython2下執行，會看到這樣一段警告：
- 意思是，如果我們沒有顯示地指定解析器，所以默認使用這個系統的最佳可用HTML解析器("lxml")。如果你在另一個系統中運行這段代碼，或者在不同的虛擬環境中，使用不同的解析器造成行為不同。
- 但是我們可以通過
soup = BeautifulSoup(html, "lxml")
四大對象種類
Beautiful Soup將復雜HTML文檔轉換成一個復雜的樹形結構，每個節點都是Python對象，所有對象可以歸納為4種：
- Tag
- NaviganleString
- BeautifulSoup
- Comment
1.Tag
Tag通俗點講就是HTM中的一個個標簽，例如：
<head><title>The Dormouse's story</title></head>
<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
<p class="title" name="dromouse"><b>The Dormouse's story</b></p>上面的title、head、a、p等等標簽上加上裏面包括的內容就是Tag,那麽試著使用Beautiful Soup來獲取Tags
#-*- coding:utf-8 -*-
#08-urllib2_beautifulsoup_tag.py
from bs4 import BeautifulSoup
html = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><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>
"""
#創建Beautiful Soup對象
soup = BeautifulSoup(html)
print soup.title
#<title>The Dormouse's story</title>
print soup.a
#<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
print soup.p
#<p class="title" name="dromouse"><b>The Dormouse's story</b></p>
print type(soup.p)
# <class 'bs4.element.Tag'>我們可以利用 soup 加標簽名輕松地獲取這些標簽的內容，這些對象的類型是bs4.element.Tag。但是註意，它查找的是在所有內容中的第一個符合要求的標簽。如果要查詢所有的標簽，後面會進行介紹。
對於Tag,它有兩個重要的屬性，是name和attrs
print soup.name
#[document] #soup對象本身比較特殊，它的name即為[document]
print soup.head.name
#head #對於其他內部標簽，輸出的值便為標簽本身的名稱
print soup.p.attrs
#{'class':['title'], 'name':'dromouse'}
#在這裏，我們把p標簽的所有屬性打印出來，得到的類型是一個字典
print soup.p['class'] #soup.p.get('class')
#['title'] #還可以利用get方法，傳入屬性的方法，二者是等價的。
soup.a['class'] = 'newClass'
print soup.p #可以對這些屬性和內容等等進行修改
# <p class="newClass" name="dromouse"><b>The Dormouse's story</b></p>
del soup.p['class'] #還可以對這個屬性進行刪除
print soup.p
# <p name="dromouse"><b>The Dormouse's story</b></p>2. NavigableString
既然我們已經得到了標簽的內容，那麽問題來了，我們要想獲取標簽內部的文字怎麽辦呢？很簡單，用.string即可，例如
print soup.p.string
#The Dormouse's story
print type(soup.p.string)
<class 'bs4.element.NavigableString'>3. BeautifulSoup
BeautifulSoup對象表示的是一個文檔的內容。大部門時候，可以用它當做Tag對象，是一個特殊的Tag，我們可以分別獲取它的類型，名稱，以及屬性來感受一下。
print type(soup.name)
#<type 'unicode'>
print soup.name
#[document]
print soup.attrs #文檔本身的屬性為空
#{}4. Comment
Comment對象時一個特殊類型的NavigableString對象，其輸出的內容不包括註釋符號。
print soup.a
# <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
print soup.a.string
#Elsie
print type(soup.a.string)
# <class 'bs4.element.Comment'>a標簽裏的內容實際上是註釋，但是如果我們利用.string來輸出它的內容時，註釋符號已經去掉了。
遍歷文檔樹
1.直接子節點：.contents .children屬性
.content
tag的.content屬性可以將tag的子節點以列表的方式輸出。
print soup.head.contents
#[<title>The Dormouse's story</title>]輸出方式為列表，我們可以用列表索引來獲取它的某一個元素
print soup.head.contents[0]
#<title>The Dormouse's story</title>.children
它返回的不是一個list,不過我們可以通過遍歷獲取所有子節點。
我們打印輸出.children看一下，可以發現他是一個list生成器對象。
print soup.head.children
#<listiterator object at 0x7f71457f5710>
for child in soup.body.children:
print child結果：
<p class="title" name="dromouse"><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>2. 所有子孫節點：.descendants屬性
.contents和.children屬性僅包含tag的直接子節點，.descendants屬性可以對所有tag的子孫節點進行遞歸循環，和.children類似，我們也需要遍歷獲取其中的內容。
for child in soup.descendants:
print child3. 節點內容：.string屬性
如果tag只有一個NavigableString類型子節點，那麽這個tag可以使用.string得到子節點。如果一個tag僅有一個子節點，那麽這個tag也可以使用.string，輸出結果與當前唯一子節點的.string結果相同。
通俗點講就是：如果一個標簽裏面沒有標簽了，那麽.string就會返回標簽裏面的內容。如果標簽裏面只有唯一的一個標簽了，那麽.string也會返回最裏面的內容。例如:
print soup.head.string
#The Dormouse's story
print soup.title.string
#The Dormouse's story搜索文檔樹
1. find_all(name, attrs, recursive, text, **kwargs)
1) name參數
name參數可以查找所有民資為name的tag，字符串對象會自動忽略掉。
A.傳字符串
最簡單的過濾器是字符串，在搜索方法中傳入一個字符串參數，eautiful Soup會自動查找與字符串完整匹配的內容，下面的例子用於查找文檔中所有的標簽：
soup.find_all('b')
#[<b>The Dormouse's story</b>]
print 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>]B.傳正則表達式
如果傳入正則表達式作為參數，Beautiful Soup會通過正則表達式的match()來匹配內容。下面例子中找出所有以b開頭的標簽，這表示<body>和<b>標簽都應該被找到。
import re
for tag in soup.find_all(re.compile('^b')):
print(tag.name)
#body
#bC.傳列表
如果傳入列表參數，Beautiful Soup會將與列表中任一元素匹配的內容返回 下面代碼找到文檔中所有<a>標簽和<b>標簽：
soup.find_all(['a', 'b'])
# [<b>The Dormouse's story</b>,
# <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>]2) keyword參數
soup.find_all(id='link2')
# [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]3) text參數
通過text參數可以搜索文檔中的字符串內容，與name參數的可選值一樣，text參數接收參數值，正則表達式，列表
soup.find_all(text='Elsie')
#[u'Elsie']
soup.find_all(text=['Tillie', 'Elsie', 'Lacie'])
# [u'Elsie', u'Lacie', u'Tillie']
soup.find_all(text=re.compile("Dormouse"))
[u"The Dormouse's story", u"The Dormouse's story"]CSS選擇器
這就是另一種與 find_all 方法有異曲同工之妙的查找方法.
- 寫 CSS 時，標簽名不加任何修飾，類名前加.，id名前加#
- 在這裏我們也可以利用類似的方法來篩選元素，用到的方法是
soup.select()，返回類型是list
Python爬蟲(十四)_BeautifulSoup4 解析器