Python爬虫beautifulsoup4常用的解析方法总结


Posted in Python onFebruary 25, 2019

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 requests
from bs4 import BeautifulSoup
url = "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id
soup.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="/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,谢谢大家对三水点靠木的支持。如果你想了解更多相关内容请查看下面相关链接

Python 相关文章推荐
初学Python实用技巧两则
Aug 29 Python
Python中使用Flask、MongoDB搭建简易图片服务器
Feb 04 Python
使用Python中PDB模块中的命令来调试Python代码的教程
Mar 30 Python
详解Python编程中基本的数学计算使用
Feb 04 Python
python xlsxwriter库生成图表的应用示例
Mar 16 Python
Python根据成绩分析系统浅析
Feb 11 Python
对Python3 * 和 ** 运算符详解
Feb 16 Python
详解Python函数式编程—高阶函数
Mar 29 Python
在Python中利用pickle保存变量的实例
Dec 30 Python
TensorFlow实现从txt文件读取数据
Feb 05 Python
Django实现whoosh搜索引擎使用jieba分词
Apr 08 Python
Python字典取键、值对的方法步骤
Sep 30 Python
python3实现指定目录下文件sha256及文件大小统计
Feb 25 #Python
Python常用爬虫代码总结方便查询
Feb 25 #Python
Python使用paramiko操作linux的方法讲解
Feb 25 #Python
详解Django中CBV(Class Base Views)模型源码分析
Feb 25 #Python
Python判断对象是否相等及eq函数的讲解
Feb 25 #Python
详解django中url路由配置及渲染方式
Feb 25 #Python
利用python脚本如何简化jar操作命令
Feb 24 #Python
You might like
法国:浪漫之都的咖啡文化
2021/03/03 咖啡文化
PHP中使用foreach()遍历二维数组的简单实例
2016/06/13 PHP
php实现博客,论坛图片防盗链的方法
2016/10/15 PHP
Laravel路由研究之domain解决多域名问题的方法示例
2019/04/04 PHP
七个很有意思的PHP函数
2014/05/12 Javascript
详细分析JavaScript函数定义
2015/07/16 Javascript
jQuery UI设置固定日期选择特效代码分享
2015/08/27 Javascript
理解Javascript图片预加载
2016/02/23 Javascript
javascript事件委托的用法及其好处简析
2016/04/04 Javascript
jQuery之动画效果大全
2016/11/09 Javascript
jquery获取input type=text中的值的各种方式(总结)
2016/12/02 Javascript
JS实现字符串转驼峰格式的方法
2016/12/16 Javascript
js弹出窗口简单实现代码
2017/03/22 Javascript
angular 基于ng-messages的表单验证实例
2017/05/04 Javascript
详解html-webpack-plugin用法全解
2018/01/22 Javascript
TypeScript基础入门教程之三重斜线指令详解
2018/10/22 Javascript
flexible.js实现移动端rem适配方案
2020/04/07 Javascript
解决ant design vue中树形控件defaultExpandAll设置无效的问题
2020/10/26 Javascript
利用node.js开发cli的完整步骤
2020/12/29 Javascript
用python做一个搜索引擎(Pylucene)的实例代码
2017/07/05 Python
python八大排序算法速度实例对比
2017/12/06 Python
基于Python中numpy数组的合并实例讲解
2018/04/04 Python
python自动截取需要区域,进行图像识别的方法
2018/05/17 Python
查看TensorFlow checkpoint文件中的变量名和对应值方法
2018/06/14 Python
python批量下载抖音视频
2019/06/17 Python
Python 3.6 中使用pdfminer解析pdf文件的实现
2019/09/25 Python
使用Python将图片转正方形的两种方法实例代码详解
2020/04/29 Python
python中wheel的用法整理
2020/06/15 Python
Python Pygame实现俄罗斯方块
2021/02/19 Python
有原因的手表:Flex Watches
2019/03/23 全球购物
酒店出纳岗位职责
2013/12/29 职场文书
学生自我鉴定模板
2013/12/30 职场文书
小加工厂管理制度
2014/01/21 职场文书
群众路线领导干部个人对照检查材料(集锦)
2014/09/23 职场文书
财务负责人岗位职责
2015/02/03 职场文书
基于angular实现树形二级表格
2021/10/16 Javascript