Python爬虫BS4库的解析器正确使用方法

淩亂°似流年 2023-07-17 14:12 11阅读 0赞

> bs4库之所以能快速的定位我们想要的元素，是因为他能够用一种方式将html文件解析了一遍 ，不同的解析器有不同的效果。下文将一一进行介绍。

# bs4解析器的选择 #

> 网络爬虫的最终目的就是过滤选取网络信息，最重要的部分可以说是解析器。解析器的优劣决定了爬虫的速度和效率。bs4库除了支持我们上文用过的‘html.parser’解析器外，还支持很多第三方的解析器，下面我们来对他们进行对比分析。

bs4库官方推荐我们使用的是lxml解析器，原因是它具有更高的效率，所以我们也将采用lxml解析器。  
PS注意：很多人学Python过程中会遇到各种烦恼问题，没有人解答容易放弃。为此小编建了个Python全栈免费答疑.裙 ：七衣衣九七七巴而五（数字的谐音）转换下可以找到了，不懂的问题有老司机解决里面还有最新Python实战教程免非下,，一起相互监督共同进步！

# lxml解析器的安装： #

*  依旧采用pip安装工具来安装：

$ pip install lxml

注意，由于我用的是unix类系统，用pip工具十分的方便，但是如果在windows下安装，总是会出现这样或者那样的问题，这里推荐win用户去lxml官方，下载安装包，来安装适合自己系统版本的lxml解析器。

# 使用lxml解析器来解释网页 #

我们依旧以上一篇的 爱丽丝文档 为例子

html_doc = """
 <html><head><title>The Dormouse's story</title></head>
 <body>
 The Dormouse's 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.
 
 ...
 """

试一下吧：

import bs4
 
 
 #首先我们先将html文件已lxml的方式做成一锅汤
 soup = bs4.BeautifulSoup(open('Beautiful Soup 爬虫/demo.html'),'lxml')
 
 #我们把结果输出一下，是一个很清晰的树形结构。
 #print(soup.prettify())
 
 '''
 OUT:
 
 <html>
 <head>
 <title>
 The Dormouse's story
 </title>
 </head>
 <body>
 
 
 The Dormouse's 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.
 
 
 ...
 
 </body>
 </html>
 '''

# 如何具体的使用？ #

> bs4 库首先将传入的字符串或文件句柄转换为 Unicode的类型，这样，我们在抓取中文信息的时候，就不会有很麻烦的编码问题了。当然，有一些生僻的编码 如：‘big5’，就需要我们手动设置编码：  
> soup = BeautifulSoup(markup, from\_encoding="编码方式")

# 对象的种类： #

> bs4 库将复杂的html文档转化为一个复杂的树形结构，每个节点都是Python对象 ，所有对象可以分为以下四个类型：Tag , NavigableString , BeautifulSoup , Comment  
> 我们来逐一解释：

Tag： 和html中的Tag基本没有区别，可以简单上手使用

NavigableString： 被包裹在tag内的字符串

BeautifulSoup： 表示一个文档的全部内容，大部分的时候可以吧他看做一个tag对象，支持遍历文档树和搜索文档树方法。

Comment：这是一个特殊的NavigableSting对象，在出现在html文档中时，会以特殊的格式输出，比如注释类型。

# 搜索文档树的最简单的方法就是搜索你想获取tag的的name： #

soup.head
 # <head><title>The Dormouse's story</title></head>
 
 soup.title
 # <title>The Dormouse's story</title>

如果你还想更深入的获得更小的tag：例如我们想找到body下的被b标签包裹的部分

soup.body.b
 # The Dormouse's story

但是这个方法只能找到按顺序第一个出现的tag

# 获取所有的标签呢？ #

这个时候需要find\_all()方法，他返回一个列表类型

tag=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>]
 #假设我们要找到a标签中的第二个元素：
 need = tag[1]
 #简单吧

# tag的.contents属性可以将tag的子节点以列表的方式输出： #

head_tag = soup.head
 head_tag
 # <head><title>The Dormouse's story</title></head>
 
 head_tag.contents
 [<title>The Dormouse's story</title>]
 title_tag = head_tag.contents[0]
 print(title_tag)
 # <title>The Dormouse's story</title>
 title_tag.contents
 # [u'The Dormouse's story']

*  另外通过tag的 .children生成器，可以对tag的子节点进行循环：

for child in title_tag.children:
        print(child)
        # The Dormouse's story

*  这种方式只能遍历出子节点。如何遍历出子孙节点呢？

> 子孙节点：比如 head.contents 的子节点是<title>The Dormouse's story</title>,这里 title本身也有子节点：‘The Dormouse‘s story’ 。这里的‘The Dormouse‘s story’也叫作head的子孙节点

for child in head_tag.descendants:
 print(child)
 # <title>The Dormouse's story</title>
 # The Dormouse's story

# 如何找到tag下的所有的文本内容呢？ #

1、如果该tag只有一个子节点（NavigableString类型）：直接使用tag.string就能找到。

2、如果tag有很多个子、孙节点，并且每个节点里都string：

我们可以用迭代的方式将其全部找出：

for string in soup.strings:
        print(repr(string))
        # u"The Dormouse's story"
        # u'\n\n'
        # u"The Dormouse's story"
        # u'\n\n'
        # u'Once upon a time there were three little sisters; and their names were\n'
        # u'Elsie'
        # u',\n'
        # u'Lacie'
        # u' and\n'
        # u'Tillie'
        # u';\nand they lived at the bottom of a well.'
        # u'\n\n'
        # u'...'
        # u'\n'好了，关于bs4库的基本使用，我们就先介绍到这。剩下来的部分：父节点、兄弟节点、回退和前进，都与上面从子节点找元素的过程差不多，
    
    总结很多人学Python过程中会遇到各种烦恼问题，没有人解答容易放弃。为此小编建了个Python全栈免费答疑.裙 ：七衣衣九七七巴而五（数字的谐音）转换下可以找到了，不懂的问题有老司机解决里面还有最新Python实战教程免非下,，一起相互监督共同进步！本文的文字及图片来源于网络加上自己的想法,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理。