likes
comments
collection
share

【Python】数据解析之BeautifulSoup4

作者站长头像
站长
· 阅读数 2

BeautifulSoup 是什么？

Beautiful Soup 是一个可以从 HTML 或 XML 文件中提取数据的 Python 库。，最主要的功能是从网页抓取数据。能够通过自己喜欢的转换器实现惯用的文档导航，查找，修改文档的方式。

注：BeautifulSoup3目前已经停止开发，官网推荐在现在的项目中使用BeautifulSoup4

bs4的安装：

可以在 Pycharm 中，输入以下语句：然后可根据提示进行安装。

from bs4 import BeautifulSoup

注意：bs4 是依赖 lxml 库的，只有先安装 lxml 库才可以安装bs4库*

文档解析器优缺点：

【Python】数据解析之BeautifulSoup4

推荐使用 lxml 作为解析器，因为效率更高。

bs4 的使用：

  1. 导入解析包；
  2. 创建 beautifulsoup 解析对象；
  3. 打印对应内容即可；

代码实例：

from bs4 import BeautifulSoup

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>
"""

# 创建一个 soup 对象
soup = BeautifulSoup(html_doc, 'lxml')
print(soup, type(soup))  # <class 'bs4.BeautifulSoup'>

# 格式化文档输出
print(soup.prettify())

# 获取 title 标签的名称 title
print(soup.title.name)  # title

# 获取 title 标签内容
print(soup.title)  # <title>The Dormouse's story</title>

# title 标签里面的文本内容
print(soup.title.string)

# 获取 p 段落
print(soup.p)

bs4的对象种类：

tag : html中的标签。可以通过 BeautifulSoup 分析 Tag 的具体内容，具体格式为：soup.name，其中 name 是html 下的标签。

NavigableString : 标签中的文本对象。

BeautifulSoup : 整个html文本对象，可以作为Tag对象。

Comment：特殊的 NavigableString 对象，如果 html标签中有注释，则可过滤注释符号并保留注释文本。

代码实例：

from bs4 import BeautifulSoup

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>
"""
"""
tag：标签
NavigableString：可导航的字符串，标签中的文本对象
beautifulSoup：bs对象，整个 html 文本对象
Comment：注释，如果 html 标签中有注释，则可过滤注释符号并保留注释文本
"""

# html_doc 表示要解析的文档，而 html.parser 表示解析文档时所用的解析器
soup = BeautifulSoup(html_doc, 'html.parser')
print(soup)

""" tag：标签"""
print(type(soup.title))
print(type(soup.p))
print(type(soup.a))

""" NavigableString，可导航的字符串"""
from bs4.element import NavigableString
print(type(soup.title.string))   # 标签下的文本数据

"""beautifulSoup，bs对象"""
print(type(soup))

""" Comment：注释"""
html = "<b><!--好好学习，天天向上--></b>"
soup2 = BeautifulSoup(html, 'html.parser')
print(soup2.b.string, type(soup2.b.string))

遍历文档树：

遍历子节点：

contents 返回的是一个所有子节点的列表（了解）

children 返回的是一个子节点的迭代器（了解）

descendants 返回的是一个生成器遍历子子孙孙（了解）

string 获取标签里面的内容（掌握）

strings 返回是一个生成器对象用来获取多个标签内容（掌握）

stripped_strings 和strings 基本一致 但是它可以把多余的空格去掉（掌握）

遍历父节点：

parent 直接获得父节点

parents 获取所有的父节点

遍历兄弟节点：

next_sibling，下一个兄弟结点

previous_sibling，上一个兄弟结点

next_siblings，下一个所有兄弟结点

previous_siblings，上一个所有兄弟结点

代码实例：

from bs4 import BeautifulSoup

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>
</body>
</html>
"""

soup = BeautifulSoup(html_doc, 'lxml')

r1 = soup.title.string  # 获取单个标签里面的内容  The Dormouse's story

# 获取html中所有的标签中的内容
r2 = soup.html.strings  # 返回是一个生成 generator对象，用过来获取多个标签内容
for i in r2:
    print(i)

r3 = soup.html.stripped_strings  # 获取html中所有的标签中的内容,并去掉多余的空格
for i in r3:
    print("---", i)

搜索文档树：

find()：返回搜索到的第一条数据；

find_all()：以列表形式返回所有的搜索到的标签数据；

代码实例：

from bs4 import BeautifulSoup

html = """
<table class="tablelist" cellpadding="0" cellspacing="0">
    <tbody>
        <tr class="h">
            <td class="l" width="374">职位名称</td>
            <td>职位类别</td>
            <td>人数</td>
            <td>地点</td>
            <td>发布时间</td>
        </tr>
        <tr class="even">
            <td class="l square"><a target="_blank" href="position_detail.php?id=33824&keywords=python&tid=87&lid=2218">22989-金融云区块链高级研发工程师（深圳）</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-25</td>
        </tr>
        <tr class="odd">
            <td class="l square"><a target="_blank" href="position_detail.php?id=29938&keywords=python&tid=87&lid=2218">22989-金融云高级后台开发</a></td>
            <td>技术类</td>
            <td>2</td>
            <td>深圳</td>
            <td>2017-11-25</td>
        </tr>
        <tr class="even">
            <td class="l square"><a target="_blank" href="position_detail.php?id=31236&keywords=python&tid=87&lid=2218">SNG16-腾讯音乐运营开发工程师（深圳）</a></td>
            <td>技术类</td>
            <td>2</td>
            <td>深圳</td>
            <td>2017-11-25</td>
        </tr>
        <tr class="odd">
            <td class="l square"><a target="_blank" href="position_detail.php?id=31235&keywords=python&tid=87&lid=2218">SNG16-腾讯音乐业务运维工程师（深圳）</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-25</td>
        </tr>
        <tr class="even">
            <td class="l square"><a target="_blank" href="position_detail.php?id=34531&keywords=python&tid=87&lid=2218">TEG03-高级研发工程师（深圳）</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
        <tr class="odd">
            <td class="l square"><a target="_blank" href="position_detail.php?id=34532&keywords=python&tid=87&lid=2218">TEG03-高级图像算法研发工程师（深圳）</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
        <tr class="even">
            <td class="l square"><a target="_blank" href="position_detail.php?id=31648&keywords=python&tid=87&lid=2218">TEG11-高级AI开发工程师（深圳）</a></td>
            <td>技术类</td>
            <td>4</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
        <tr class="odd">
            <td class="l square"><a target="_blank" href="position_detail.php?id=32218&keywords=python&tid=87&lid=2218">15851-后台开发工程师</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
        <tr class="even">
            <td class="l square"><a target="_blank" href="position_detail.php?id=32217&keywords=python&tid=87&lid=2218">15851-后台开发工程师</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
        <tr class="odd">
            <td class="l square"><a id="test" class="test" target='_blank' href="position_detail.php?id=34511&keywords=python&tid=87&lid=2218">SNG11-高级业务运维工程师（深圳）</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
    </tbody>
</table>
"""

soup = BeautifulSoup(html, 'lxml')
print(soup, type(soup))

# 获取所有的 tr 标签
trs = soup.find_all("tr")
for tr in trs:
    print(tr)
    print('*' * 30)

# 获取第二个 tr 标签
tr = soup.find_all('tr')[1]
print(tr)

# 排除第一个tr值（通过切片的方式）
jobMsg = soup.find_all('tr')[1:]
print(jobMsg)

# 获取所有的 class = even 的 tr 标签:
# trs = soup.find_all('tr', class_='even')  # class为关键字，不能直接用作变量名
trs = soup.find_all('tr', attrs={"class": "even"})  # 效果同上，如果有多个值，在后面添加即可，推荐
for tr in trs:
    print(tr)
    print('--' * 44)

# 获取所有a标签里面的 href 属性值：
allA = soup.find_all('a')
for a in allA:
    href = a.get('href')
    print(href)

# 获取所有的岗位信息
trs = soup.find_all('tr')[1:]   # 把第一个的表头去掉
# print(trs)
for tr in trs:
    tds = tr.find_all('td')   # 找到所有的 td
    jobName = tds[0].string   # 获取文本数据，如果数据狠多，可以使用strings
    print(jobName)

select() 方法：

选择性获取对应的数据，通过css选择器的方式来提取数据。

代码实例：

from bs4 import BeautifulSoup

html = """
<table class="tablelist" cellpadding="0" cellspacing="0">
    <tbody>
        <tr class="h">
            <td class="l" width="374">职位名称</td>
            <td>职位类别</td>
            <td>人数</td>
            <td>地点</td>
            <td>发布时间</td>
        </tr>
        <tr class="even">
            <td class="l square"><a target="_blank" href="position_detail.php?id=33824&keywords=python&tid=87&lid=2218">22989-金融云区块链高级研发工程师（深圳）</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-25</td>
        </tr>
        <tr class="odd">
            <td class="l square"><a target="_blank" href="position_detail.php?id=29938&keywords=python&tid=87&lid=2218">22989-金融云高级后台开发</a></td>
            <td>技术类</td>
            <td>2</td>
            <td>深圳</td>
            <td>2017-11-25</td>
        </tr>
        <tr class="even">
            <td class="l square"><a target="_blank" href="position_detail.php?id=31236&keywords=python&tid=87&lid=2218">SNG16-腾讯音乐运营开发工程师（深圳）</a></td>
            <td>技术类</td>
            <td>2</td>
            <td>深圳</td>
            <td>2017-11-25</td>
        </tr>
        <tr class="odd">
            <td class="l square"><a target="_blank" href="position_detail.php?id=31235&keywords=python&tid=87&lid=2218">SNG16-腾讯音乐业务运维工程师（深圳）</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-25</td>
        </tr>
        <tr class="even">
            <td class="l square"><a target="_blank" href="position_detail.php?id=34531&keywords=python&tid=87&lid=2218">TEG03-高级研发工程师（深圳）</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
        <tr class="odd">
            <td class="l square"><a target="_blank" href="position_detail.php?id=34532&keywords=python&tid=87&lid=2218">TEG03-高级图像算法研发工程师（深圳）</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
        <tr class="even">
            <td class="l square"><a target="_blank" href="position_detail.php?id=31648&keywords=python&tid=87&lid=2218">TEG11-高级AI开发工程师（深圳）</a></td>
            <td>技术类</td>
            <td>4</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
        <tr class="odd">
            <td class="l square"><a target="_blank" href="position_detail.php?id=32218&keywords=python&tid=87&lid=2218">15851-后台开发工程师</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
        <tr class="even">
            <td class="l square"><a target="_blank" href="position_detail.php?id=32217&keywords=python&tid=87&lid=2218">15851-后台开发工程师</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
        <tr class="odd">
            <td class="l square"><a id="test" class="test" target='_blank' href="position_detail.php?id=34511&keywords=python&tid=87&lid=2218">SNG11-高级业务运维工程师（深圳）</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
    </tbody>
</table>
"""

soup = BeautifulSoup(html, 'lxml')

# 获取所有的tr标签
trs = soup.select('tr')
for tr in trs:
    print(f'获取所有的tr标签:{tr}')

# 获取第二个tr标签，下标从0开始，通过索引值取值
secondTr = soup.select('tr')[1]
print(f'获取第二个tr标签，下标从0开始，通过索引值取值:{secondTr}')

# 获取所有的class=even的tr标签
evenTr = soup.select('.even')
print(f'获取所有的class=even的tr标签:{evenTr}')

# 获取所有的a标签的href属性
hrefATrs = soup.select('a')
for i in hrefATrs:
    hrefATr = i.get('href')
    print(f'获取所有的a标签的href属性:{hrefATr}')

# 获取所有的职位信息
jobTrs = soup.select('tr')[1:]  # 过滤第一个tr内容（表头：职位名称...）
# print(jobTrs)
for tr in jobTrs:
    # print(tr)

    # print(tr.strings)   # 返回是一个生成器对象用来获取多个标签内容  <generator object Tag._all_strings at 0x1030afe40>
    print(list(tr.strings))  # 返回是一个生成器对象用来获取多个标签内容，返回的数据带有杂质 ['\n', 'SNG16-腾讯音乐业务运维工程师（深圳）', '\n', '技术类', '\n', '1', '\n', '深圳', '\n', '2017-11-25', '\n']

    # info = list(tr.stripped_strings)  # 取列表的所有值
    # print(info)  # ['SNG16-腾讯音乐业务运维工程师（深圳）', '技术类', '1', '深圳', '2017-11-25']

    info = list(tr.stripped_strings)[0]  # 取列表的第一个值，并去除杂质数据
    print(info)  # TEG11-高级AI开发工程师（深圳）

修改文档树：

修改tag的名称和属性；

修改string属性赋值，相当于用当前的内容替代了原来的内容；

append()：向tag中添加内容，类似于python的列表的.append()方法；

decompose()：修改删除段落，对于一些没有必要的文章段落，可以删除；

from bs4 import BeautifulSoup

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>
"""

soup = BeautifulSoup(html_doc, 'lxml')

# 修改tag的名称和属性；
tagP = soup.p
print(f'这是修改前：{tagP}')
tagP.name = 'aa'
tagP['class'] = 'changeClassName'
print(f'这是修改后：{tagP}')

# 修改string属性赋值，相当于用当前的内容替代了原来的内容
tagCont = soup.p
tagCont.string = '今天35度，坐标:上海...'
print(tagCont)

# append()：向tag中添加内容，类似于python的列表的.append()方法
tagAppendCont = soup.p
tagAppendCont.append('快成铁板烧了。')
print(tagAppendCont)

# decompose()：修改删除段落，对于一些没有必要的文章段落，可以删除
tagDelCont = soup.title
print(tagDelCont)  # <title>The Dormouse's story</title>
tagDelCont.decompose()
print(soup)  # 注意：返回soup对象的值，而不是删除后的tagDelCont