Python爬虫beautifulsoup4常用的解析方法总结

Python  /  管理员 发布于 7年前   181

摘要

  • 如何用beautifulsoup4解析各种情况的网页

beautifulsoup4的使用

关于beautifulsoup4，官网已经讲的很详细了，我这里就把一些常用的解析方法做个总结，方便查阅。

装载html文档

使用beautifulsoup的第一步是把html文档装载到beautifulsoup中，使其形成一个beautifulsoup对象。

import requestsfrom bs4 import BeautifulSoupurl = "http://new.qq.com/omn/20180705/20180705A0920X.html"r = requests.get(url)htmls = r.text#print(htmls)soup = BeautifulSoup(htmls, 'html.parser')

初始化BeautifulSoup类时，需要加入两个参数，第一个参数即是我们爬到html源码，第二个参数是html解析器，常用的有三个解析器，分别是”html.parser”,”lxml”,”html5lib”，官网推荐用lxml，因为效率高，当然需要pip install lxml一下。

当然这三种解析方式在某些情况解析得到的对象内容是不同的，比如对于标签不完整这一情况（p标签只有一半）：

soup = BeautifulSoup("<a></p>", "html.parser")# 只有起始标签的会自动补全，只有结束标签的灰自动忽略# 结果为：<a></a>soup = BeautifulSoup("<a></p>", "lxml")#结果为：<html><body><a></a></body></html>soup = BeautifulSoup("<a></p>", "html5lib")# html5lib则出现一般的标签都会自动补全# 结果为：<html><head></head><body><a><p></p></a></body></html>

使用

在使用中，我尽量按照我使用的频率介绍，毕竟为了查阅~

  • 按照标签名称、id、class等信息获取某个标签
html = '<p class="title" id="p1"><b>The Dormouses story</b></p>'soup = BeautifulSoup(html, 'lxml')#根据class的名称获取p标签内的所有内容soup.find(class_="title")#或者soup.find("p",class_="title" id = "p1")#获取class为title的p标签的文本内容"The Dormouse's story"soup.find(class_="title").get_text()#获取文本内容时可以指定不同标签之间的分隔符，也可以选择是否去掉前后的空白。soup = BeautifulSoup('<p class="title" id="p1"><b> The Dormouses story </b></p><p class="title" id="p1"><b>The Dormouses story</b></p>', "html5lib")soup.find(class_="title").get_text("|", strip=True)#结果为：The Dormouses story|The Dormouses story#获取class为title的p标签的idsoup.find(class_="title").get("id")#对class名称正则：soup.find_all(class_=re.compile("tit"))#recursive参数，recursive=False时，只find当前标签的第一级子标签的数据soup = BeautifulSoup('<html><head><title>abc','lxml')soup.html.find_all("title", recursive=False)
  • 按照标签名称、id、class等信息获取多个标签
soup = BeautifulSoup('<p class="title" id="p1"><b> The like story </b></p><p class="title" id="p1"><b>The Dormouses story</b></p>', "html5lib")#获取所有class为title的标签for i in soup.find_all(class_="title"):  print(i.get_text())#获取特定数量的class为title的标签for i in soup.find_all(class_="title",limit = 2):  print(i.get_text())
  • 按照标签的其他属性获取某个标签
html = '<a alog-action="qb-ask-uname" href="https:usercent" rel="external nofollow" target="_blank">蜗牛宋</a>'soup = BeautifulSoup(html, 'lxml')# 获取"蜗牛宋",此时，该标签里既没有class也没有id，需要根据其属性来定义获取规则author = soup.find('a',{"alog-action":"qb-ask-uname"}).get_text()#或author = soup.find(attrs={"alog-action": "qb-ask-uname"})
  • 找前头和后头的标签
soup.find_all_previous("p")soup.find_previous("p")soup.find_all_next("p")soup.find_next("p")
  • 找父标签
soup.find_parents("div")soup.find_parent("div")
  • css选择器
soup.select("title") #标签名soup.select("html head title") #多级标签名soup.select("p > a") #p内的所有a标签soup.select("p > #link1") #P标签内，按id查标签soup.select("#link1 ~ .sister") #查找相同class的兄弟节点soup.select("#link1 + .sister")soup.select(".sister") #按class名称查soup.select("#sister") #按id名称查soup.select('a[href="http://example.com/elsie" rel="external nofollow" ]') # 按标签的属性查soup.select('a[href$="tillie"]')soup.select_one(".sister")

注意几个可能出现的错误，可以用try捕获来防止爬虫进程

  • UnicodeEncodeError: ‘charmap' codec can't encode character u'\xfoo' in position bar (或其它类型的 UnicodeEncodeError

需要转码

  • AttributeError: ‘NoneType' object has no attribute ‘foo'

没这个属性

就介绍这么多，应该可以覆盖大部分网页结构了吧~！

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，谢谢大家的支持。如果你想了解更多相关内容请查看下面相关链接


  • 上一条：
    Python3.5实现的罗马数字转换成整数功能示例
    下一条：
    python3实现指定目录下文件sha256及文件大小统计

    • 昵称：

    邮箱：

    0条评论 (评论内容有缓存机制,请悉知!)
    Top

    Copyright·© 2019 侯体宗版权所有· 粤ICP备20027696号 PHP交流群

    侯体宗的博客