BeautifulSoup4 est une bibliothèque d'analyse Python, principalement utilisée pour analyser le HTML et le XML dans le système de connaissances des robots. more More, BeautifulSoup4 是一款 python 解析库，主要用于解析 HTML 和 XML，在爬虫知识体系中解析 HTML 会比较多一些，
该库安装命令如下：
pip install beautifulsoup4
BeautifulSoup 在解析数据时，需依赖第三方解析器，常用解析器与优势如下所示：
python 标准库 html.parser：python 内置标准库，容错能力强；
lxml 解析器：速度快，容错能力强；
html5lib：容错性最强，解析方式与浏览器一致。
接下来用一段自定义的 HTML 代码来演示 beautifulsoup4 库的基本使用，测试代码如下：
<html>
<head>
<title>测试bs4模块脚本</title>
</head>
<body>
<h2>橡皮擦的爬虫课</h2>
<p>用一段自定义的 HTML 代码来演示</p>
</body>
</html>使用 BeautifulSoup 对其进行简单的操作，包含实例化 BS 对象，输出页面标签等内容。
from bs4 import BeautifulSoup text_str = """<html> <head> <title>测试bs4模块脚本</title> </head> <body> <h2>橡皮擦的爬虫课</h2> <p>用1段自定义的 HTML 代码来演示</p> <p>用2段自定义的 HTML 代码来演示</p> </body> </html> """ # 实例化 Beautiful Soup 对象 soup = BeautifulSoup(text_str, "html.parser") # 上述是将字符串格式化为 Beautiful Soup 对象，你可以从一个文件进行格式化 # soup = BeautifulSoup(open('test.html')) print(soup) # 输入网页标题 title 标签 print(soup.title) # 输入网页 head 标签 print(soup.head) # 测试输入段落标签 p print(soup.p) # 默认获取第一个
我们可以通过 BeautifulSoup 对象，直接调用网页标签，这里存在一个问题，通过 BS 对象调用标签只能获取排在第一位置上的标签，如上述代码中，只获取到了一个 p 标签，如果想要获取更多内容，请继续阅读。
学习到这里，我们需要了解 BeautifulSoup 中的 4 个内置对象：
BeautifulSoup：基本对象，整个 HTML 对象，一般当做 Tag 对象看即可；
Tag：标签对象，标签就是网页中的各个节点，例如 title，head，p；
NavigableString：标签内部字符串；
Comment：注释对象，爬虫里面使用场景不多。
下述代码为你演示这几种对象出现的场景，注意代码中的相关注释：
from bs4 import BeautifulSoup text_str = """<html> <head> <title>测试bs4模块脚本</title> </head> <body> <h2>橡皮擦的爬虫课</h2> <p>用1段自定义的 HTML 代码来演示</p> <p>用2段自定义的 HTML 代码来演示</p> </body> </html> """ # 实例化 Beautiful Soup 对象 soup = BeautifulSoup(text_str, "html.parser") # 上述是将字符串格式化为 Beautiful Soup 对象，你可以从一个文件进行格式化 # soup = BeautifulSoup(open('test.html')) print(soup) print(type(soup)) # <class 'bs4.BeautifulSoup'> # 输入网页标题 title 标签 print(soup.title) print(type(soup.title)) # <class 'bs4.element.Tag'> print(type(soup.title.string)) # <class 'bs4.element.NavigableString'> # 输入网页 head 标签 print(soup.head)
对于 Tag 对象，有两个重要的属性，是 name 和 attrs
from bs4 import BeautifulSoup text_str = """<html> <head> <title>测试bs4模块脚本</title> </head> <body> <h2>橡皮擦的爬虫课</h2> <p>用1段自定义的 HTML 代码来演示</p> <p>用2段自定义的 HTML 代码来演示</p> <a href="http://www.csdn.net" rel="external nofollow" rel="external nofollow" >CSDN 网站</a> </body> </html> """ # 实例化 Beautiful Soup 对象 soup = BeautifulSoup(text_str, "html.parser") print(soup.name) # [document] print(soup.title.name) # 获取标签名 title print(soup.html.body.a) # 可以通过标签层级获取下层标签 print(soup.body.a) # html 作为一个特殊的根标签，可以省略 print(soup.p.a) # 无法获取到 a 标签 print(soup.a.attrs) # 获取属性
上述代码演示了获取 name 属性和 attrs 属性的用法，其中 attrs 属性得到的是一个字典，可以通过键获取对应的值。
获取标签的属性值，在 BeautifulSoup 中，还可以使用如下方法：
print(soup.a["href"])
print(soup.a.get("href"))获取 NavigableString 对象 获取了网页标签之后，就要获取标签内文本了，通过下述代码进行。
print(soup.a.string)
除此之外，你还可以使用 text 属性和 get_text() 方法获取标签内容。
print(soup.a.string) print(soup.a.text) print(soup.a.get_text())
还可以获取标签内所有文本，使用 strings 和 stripped_strings 即可。
print(list(soup.body.strings)) # 获取到空格或者换行 print(list(soup.body.stripped_strings)) # 去除空格或者换行
扩展标签/节点选择器之遍历文档树
直接子节点
标签（Tag）对象的直接子元素，可以使用 contents 和 children 属性获取。
from bs4 import BeautifulSoup
text_str = """<html>
<head>
<title>测试bs4模块脚本</title>
</head>
<body>
<div id="content">
<h2>橡皮擦的爬虫课<span>最棒</span></h2>
<p>用1段自定义的 HTML 代码来演示</p>
<p>用2段自定义的 HTML 代码来演示</p>
<a href="http://www.csdn.net" rel="external nofollow" rel="external nofollow" >CSDN 网站</a>
</div>
<ul class="nav">
<li>首页</li>
<li>博客</li>
<li>专栏课程</li>
</ul>
</body>
</html>
"""
# 实例化 Beautiful Soup 对象
soup = BeautifulSoup(text_str, "html.parser")
# contents 属性获取节点的直接子节点，以列表的形式返回内容
print(soup.div.contents) # 返回列表
# children 属性获取的也是节点的直接子节点，以生成器的类型返回
print(soup.div.children) # 返回 <list_iterator object at 0x00000111EE9B6340>请注意以上两个属性获取的都是直接子节点，例如 h2 标签内的后代标签 span ，不会单独获取到。
如果希望将所有的标签都获取到，使用 descendants 属性，它返回的是一个生成器，所有标签包括标签内的文本都会单独获取。
print(list(soup.div.descendants))
其它节点的获取（了解即可，即查即用）
parent 和 parents：直接父节点和所有父节点；
next_sibling，next_siblings，previous_sibling，previous_siblings：分别表示下一个兄弟节点、下面所有兄弟节点、上一个兄弟节点、上面所有兄弟节点，由于换行符也是一个节点，所有在使用这几个属性时，要注意一下换行符；
next_element，next_elements，previous_element，previous_elements：这几个属性分别表示上一个节点或者下一个节点，注意它们不分层次，而是针对所有节点，例如上述代码中 div 节点的下一个节点是 h2，而 div 节点的兄弟节点是 ul。
文档树搜索相关函数
第一个要学习的函数就是 find_all() 函数，原型如下所示：
find_all(name,attrs,recursive,text,limit=None,**kwargs)
name：该参数为 tag 标签的名字，例如 find_all('p') 是查找所有的 p
print(soup.find_all('li')) # 获取所有的 li
print(soup.find_all(attrs={'class': 'nav'})) # 传入 attrs 属性
print(soup.find_all(re.compile("p"))) # 传递正则，实测效果不理想
print(soup.find_all(['a','p'])) # 传递列表BeautifulSoup Lors de l'analyse des données, vous devez s'appuyer sur des analyseurs tiers,les analyseurs couramment utilisés et leurs avantages sont les suivants :#🎜🎜# analyseur standard python html. : bibliothèque standard intégrée python, forte tolérance aux pannes ; #🎜🎜#analyseur lxml : rapide, puissant ; tolérance aux pannes ; #🎜 🎜#html5lib : la plus tolérante aux pannes et la méthode d'analyse est cohérente avec le navigateur. #🎜🎜#beautifulsoup4 Le code de test est le suivant : #🎜🎜. #print(soup.body.div.find_all(['a','p'],recursive=False)) # 传递列表
BeautifulSoup pour effectuer des opérations simples dessus, notamment l'instanciation d'objets BS, la sortie de balises de page, etc. #🎜🎜#print(soup.find_all(text='首页')) # ['首页']
print(soup.find_all(text=re.compile("^首"))) # ['首页']
print(soup.find_all(text=["首页",re.compile('课')])) # ['橡皮擦的爬虫课', '首页', '专栏课程']p, si vous souhaitez obtenir plus de contenu, veuillez continuer à lire. #🎜🎜##🎜🎜#Après avoir appris cela, nous devons comprendre les 4 objets intégrés dans BeautifulSoup :#🎜🎜#BeautifulSoup : Objet de base, l'objet HTML entier, généralement considéré comme un objet Tag ; #🎜🎜#Tag</ ; code> : Objet Label, l'étiquette est chaque nœud de la page Web, tel que title, head, p; #🎜🎜#</li><li>#🎜🎜#<code>NavigableString : Label internal string; #🎜 🎜#Comment : Objet de commentaire, il n'y a pas beaucoup de scénarios d'utilisation dans les robots. #🎜🎜#print(soup.find_all(class_ = 'nav')) print(soup.find_all(class_ = 'nav li'))
name et attrs#🎜 🎜# print(soup.select('ul[class^="na"]'))
name et de l'attribut attrs. L'attribut attrs obtient un dictionnaire. , qui peut être transmis Key obtient la valeur correspondante. #🎜🎜##🎜🎜#Obtenir la valeur d'attribut de la balise Dans BeautifulSoup, vous pouvez également utiliser la méthode suivante : #🎜🎜#print(soup.select('ul[class*="li"]'))
NavigableString< /strong> Après avoir obtenu la balise de page Web, vous devez obtenir le texte contenu dans la balise, ce qui se fait via le code suivant. #🎜🎜#from bs4 import BeautifulSoup
import requests
import logging
logging.basicConfig(level=logging.NOTSET)
def get_html(url, headers) -> None:
try:
res = requests.get(url=url, headers=headers, timeout=3)
except Exception as e:
logging.debug("采集异常", e)
if res is not None:
html_str = res.text
soup = BeautifulSoup(html_str, "html.parser")
imgs = soup.find_all(attrs={'class': 'lazy'})
print("获取到的数据量是", len(imgs))
datas = []
for item in imgs:
name = item.get('alt')
src = item["src"]
logging.info(f"{name},{src}")
# 获取拼接数据
datas.append((name, src))
save(datas, headers)
def save(datas, headers) -> None:
if datas is not None:
for item in datas:
try:
# 抓取图片
res = requests.get(url=item[1], headers=headers, timeout=5)
except Exception as e:
logging.debug(e)
if res is not None:
img_data = res.content
with open("./imgs/{}.jpg".format(item[0]), "wb+") as f:
f.write(img_data)
else:
return None
if __name__ == '__main__':
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.82 Safari/537.36"
}
url_format = "http://www.9thws.com/#p{}"
urls = [url_format.format(i) for i in range(1, 2)]
get_html(urls[0], headers)text et la méthode get_text() pour obtenir le contenu de la balise. #🎜🎜#rrreee#🎜🎜# Vous pouvez également obtenir tout le texte de la balise en utilisant strings et stripped_strings. #🎜🎜#rrreee#🎜🎜#Sélecteur de balise/nœud étendu traversant l'arborescence du document#🎜🎜##🎜🎜#Nœud enfant direct#🎜🎜##🎜🎜#Objet Tag Les éléments enfants directs peut être obtenu en utilisant les attributs contents et children. #🎜🎜#rrreee#🎜🎜#Veuillez noter que les deux attributs ci-dessus obtiennent les nœuds enfants directs, tels que la balise descendante span</ dans le <code>h2 code de balise> ne sera pas obtenu séparément. #🎜🎜##🎜🎜#Si vous souhaitez obtenir toutes les balises, utilisez l'attribut descendants. Il renvoie un générateur et toutes les balises, y compris le texte à l'intérieur des balises, seront récupérées séparément. #🎜🎜#rrreee#🎜🎜#Acquisition d'autres nœuds (il suffit de comprendre, vérifier et utiliser) #🎜🎜#parent </ code> et <code>parents : nœud parent direct et tous les nœuds parents ; #🎜🎜#next_sibling, next_siblings </ code>, <code>previous_sibling, previous_siblings : représentent respectivement le nœud frère suivant, tous les nœuds frères en dessous, le nœud frère précédent et tous les nœuds frères au-dessus puisque le caractère de nouvelle ligne est également. un nœud, lorsque vous utilisez ces attributs, veuillez faire attention au saut de ligne #🎜🎜#next_element, next_elements, < code>previous_element, previous_elements : ces attributs représentent respectivement le nœud précédent ou le nœud suivant. Notez qu'ils ne sont pas hiérarchiques, mais ciblent tous les nœuds, comme dans le code ci-dessus div est h2, et le nœud frère du nœud div est ul. #🎜🎜#find_all() </ code>, <strong>le prototype est le suivant : </strong>#🎜🎜#rrreee<ul class=" list-paddingleft-2"><li>#🎜🎜#<code>name : Ce paramètre est le nom de la balise. Par exemple, find_all('p') sert à rechercher toutes les balises p. Il peut accepter les chaînes de nom de balise, les expressions régulières et. listes #🎜🎜#attrs：传入的属性，该参数可以字典的形式传入，例如 attrs={'class': 'nav'}，返回的结果是 tag 类型的列表；
上述两个参数的用法示例如下：
print(soup.find_all('li')) # 获取所有的 li
print(soup.find_all(attrs={'class': 'nav'})) # 传入 attrs 属性
print(soup.find_all(re.compile("p"))) # 传递正则，实测效果不理想
print(soup.find_all(['a','p'])) # 传递列表recursive：调用 find_all () 方法时，BeautifulSoup 会检索当前 tag 的所有子孙节点，如果只想搜索 tag 的直接子节点，可以使用参数 recursive=False，测试代码如下：
print(soup.body.div.find_all(['a','p'],recursive=False)) # 传递列表
text：可以检索文档中的文本字符串内容，与 name 参数的可选值一样，text 参数接受标签名字符串、正则表达式、 列表；
print(soup.find_all(text='首页')) # ['首页']
print(soup.find_all(text=re.compile("^首"))) # ['首页']
print(soup.find_all(text=["首页",re.compile('课')])) # ['橡皮擦的爬虫课', '首页', '专栏课程']limit：可以用来限制返回结果的数量；
kwargs：如果一个指定名字的参数不是搜索内置的参数名，搜索时会把该参数当作 tag 的属性来搜索。这里要按 class 属性搜索，因为 class 是 python 的保留字，需要写作 class_，按 class_ 查找时，只要一个 CSS 类名满足即可，如需多个 CSS 名称，填写顺序需要与标签一致。
print(soup.find_all(class_ = 'nav')) print(soup.find_all(class_ = 'nav li'))
还需要注意网页节点中，有些属性在搜索中不能作为kwargs参数使用，比如html5 中的 data-*属性，需要通过attrs参数进行匹配。
与
find_all()方法用户基本一致的其它方法清单如下：
find()：函数原型find( name , attrs , recursive , text , **kwargs )，返回一个匹配元素；
find_parents()，find_parent()：函数原型 find_parent(self, name=None, attrs={}, **kwargs)，返回当前节点的父级节点；
find_next_siblings()，find_next_sibling()：函数原型 find_next_sibling(self, name=None, attrs={}, text=None, **kwargs)，返回当前节点的下一兄弟节点；
find_previous_siblings()，find_previous_sibling()：同上，返回当前的节点的上一兄弟节点；
find_all_next()，find_next()，find_all_previous () ，find_previous ()：函数原型 find_all_next(self, name=None, attrs={}, text=None, limit=None, **kwargs)，检索当前节点的后代节点。
CSS 选择器 该小节的知识点与pyquery有点撞车，核心使用select()方法即可实现，返回数据是列表元组。
通过标签名查找，soup.select("title")；
通过类名查找，soup.select(".nav")；
通过 id 名查找，soup.select("#content")；
通过组合查找，soup.select("div#content")；
通过属性查找，soup.select("div[id='content'")，soup.select("a[href]")；
在通过属性查找时，还有一些技巧可以使用，例如：
^=：可以获取以 XX 开头的节点：
print(soup.select('ul[class^="na"]'))
*=：获取属性包含指定字符的节点：
print(soup.select('ul[class*="li"]'))
BeautifulSoup 的基础知识掌握之后，在进行爬虫案例的编写，就非常简单了，本次要采集的目标网站 ，该目标网站有大量的艺术二维码，可以供设计大哥做参考。
下述应用到了 BeautifulSoup 模块的标签检索与属性检索，完整代码如下：
from bs4 import BeautifulSoup
import requests
import logging
logging.basicConfig(level=logging.NOTSET)
def get_html(url, headers) -> None:
try:
res = requests.get(url=url, headers=headers, timeout=3)
except Exception as e:
logging.debug("采集异常", e)
if res is not None:
html_str = res.text
soup = BeautifulSoup(html_str, "html.parser")
imgs = soup.find_all(attrs={'class': 'lazy'})
print("获取到的数据量是", len(imgs))
datas = []
for item in imgs:
name = item.get('alt')
src = item["src"]
logging.info(f"{name},{src}")
# 获取拼接数据
datas.append((name, src))
save(datas, headers)
def save(datas, headers) -> None:
if datas is not None:
for item in datas:
try:
# 抓取图片
res = requests.get(url=item[1], headers=headers, timeout=5)
except Exception as e:
logging.debug(e)
if res is not None:
img_data = res.content
with open("./imgs/{}.jpg".format(item[0]), "wb+") as f:
f.write(img_data)
else:
return None
if __name__ == '__main__':
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/93.0.4577.82 Safari/537.36"
}
url_format = "http://www.9thws.com/#p{}"
urls = [url_format.format(i) for i in range(1, 2)]
get_html(urls[0], headers)本次代码测试输出采用的 logging 模块实现，效果如下图所示。 测试仅采集了 1 页数据，如需扩大采集范围，只需要修改 main 函数内页码规则即可。 ==代码编写过程中，发现数据请求是类型是 POST，数据返回格式是 JSON，所以本案例仅作为 BeautifulSoup 的上手案例吧==
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
![[Web front-end] Démarrage rapide de Node.js](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
