Python爬虫学习之BeautifulSoup4的简单用法

1 urllib和urllib2

Python中包含了两个网络模块，分别是urllib与urllib2，urllib2是urllib的升级版，拥有更强大的功能。urllib，让我们可以像读文件一样，读取http与ftp。而urllib2，则在urllib的基础上，提供了更多的接口，如cookie、代理、认证等更强大的功能。

这里借鉴下文章一和文章二的说法：

urllib仅可以接受URL，不能创建，设置headers的request类实例；

但是urllib提供urlencode()方法用来GET查询字符串的产生，而urllib2则没有（这是urllib和urllib2经常一起使用的主要原因）

编码工作使用urllib的urlencode()函数，帮我们讲key:value这样的键值对转换成‘key=value’这样的字符串，解码工作可以使用urllib的unquote

该两个库都是Python自带库，且由于简单爬虫所需要的功能比较少，所以不做更多赘述。

2 BeautifulSoup

现在的Mac已经不能用

$ sudo easy_install pip

来安装pip，而只能用一个get-pip.py的方法，网上有大量教程。然后安装完毕后用pip来安装beautilfulsoup4。

安装完以后一个简单的例子（环境Python2.7，其实Python3在这段代码也差不多）：

from urllib import urlopen
from bs4 import BeautifulSoup
html = urlopen("http://blog.orisonchan.cc")
bsObj = BeautifulSoup(html.read())
print(bsObj.h1)

网页不存在的情况如何判断

方法一：空值判断

if html is None:
    print("URL not found")
else:
    # expressions

方法二：try-catch

try:
    html = urlopen("http://blog.orisonchan.cc")
except HTTPError as e:
    print(e)
    # expressions

这里从O`Reilly系列图书《Python网络数据采集》中摘抄一个完整例子：

from urllib.request import urlopen
from urllib.error import HTTPError
from bs4 import BeautifulSoup

def getTitle(url):
    try:
        html = urlopen(url) 
    except HTTPError as e:
        return None
    try:
        bsObj = BeautifulSoup(html. read())
        title = bsObj.body.h1
    except AttributeError as e:
        return None
    return title

title = getTitle(" http://www.pythonscraping.com/pages/page1.html")
if title == None:
    print("Title could not be found")
else:
    print(title)

2.1 常用方法

2.1.1 find()

格式：

find(name, attributes, recursive, text ,keywords)

参数介绍

name：标签名，如a，p。
attributes：一个标签的若干属性和对应的属性值。
recursive：是否递归。如果是，就会查找tag的所有子孙标签，默认true。
text：标签的文本内容去匹配，而不是标签的属性。
keyword：选择那些具有指定属性的标签。

find()示例：

from urllib import urlopen
from bs4 import BeautifulSoup
html = urlopen("http://blog.orisonchan.cc")
bsObj = BeautifulSoup(html.read(), 'html.parser')
print str(bsObj.find(name='h1', attrs={'class': {'post-title'}}))

结果

<h1 class="post-title" itemprop="name headline">
<a class="post-title-link" href="/2018/08/14/43/" itemprop="url">常见“树”概念解析（1）</a></h1>

2.1.2 find_all()

find_all(name, attributes, recursive, text , limit, keywords)

参数介绍

name：标签名，如a，p。
attributes：一个标签的若干属性和对应的属性值。
recursive：是否递归。如果是，就会查找tag的所有子孙标签，默认true。
text：标签的文本内容去匹配，而不是标签的属性。
limit: 个数限制，find其实就等于limit=1，查看find源码即可发现。
keyword：选择那些具有指定属性的标签。

bsObj.find_all("a")可以简写为bsObj("a")

find_all()示例：

from urllib import urlopen
from bs4 import BeautifulSoup
html = urlopen("http://blog.orisonchan.cc")
bsObj = BeautifulSoup(html.read(), 'html.parser')
print str(bsObj.find_all(name='h1', attrs={'class': {'post-title'}})[1:3]).decode('unicode-escape')

结果

[<h1 class="post-title" itemprop="name headline">
<a class="post-title-link" href="/2018/08/13/42/" itemprop="url">Spark聚合下推思路以及demo</a></h1>, 
<h1 class="post-title" itemprop="name headline">
<a class="post-title-link" href="/2018/08/09/41/" itemprop="url">写一个Spark DataSource的随手笔记</a></h1>]

2.2 常用对象

2.2.1 tag对象

即html中的标签。其中两个属性就是name和attributes。使用如下：

from urllib import urlopen
from bs4 import BeautifulSoup
html = urlopen("http://blog.orisonchan.cc")
bsObj = BeautifulSoup(html.read(), 'html.parser')
tag = bsObj.h1
print(tag)
print(tag.name)
print(tag.attrs)
print(tag['class'])

结果

<h1 class="post-title" itemprop="name headline">
<a class="post-title-link" href="/2018/08/14/43/" itemprop="url">常见“树”概念解析（1）</a></h1>
h1
{u'class': [u'post-title'], u'itemprop': u'name headline'}
[u'post-title']

2.2.2 NavigableString对象

用来表示包含在tag中的文字。注意！如果tag中包含子tag，navigableString对象会是None！

2.2.3 Comment对象

用来查找HTML里的注释标签。是一个特殊的NavigableString，所以也有其性质。

2.3 导航树（Navigating Trees）

2.3.1 子节点们

对tag级别调用childen属性可得到该tag的所有子节点：

from urllib import urlopen
from bs4 import BeautifulSoup
html = urlopen("http://blog.orisonchan.cc")
bsObj = BeautifulSoup(html.read(), 'html.parser')
for child in bsObj.find(name='h1', attrs={'class': {'post-title'}}).children:
    print(child)

结果

<a class="post-title-link" href="/2018/08/14/43/" itemprop="url">常见“树”概念解析（1）</a>

2.3.2 兄弟节点（们）

next_siblings属性和previous_siblings属性可以查询兄弟节点们。

next_sibling和previous_sibling可以查下一个/上一个兄弟。

需要注意的是，很可能直接相邻的上一个下一个兄弟节点并不是Tag而是一个换行符啊标点符号啊等NavigableString对象（字符串节点）。

2.3.3 父节点（们）

parent属性得到某元素父节点。

parents属性递归得到所有的父节点。

2.4 过滤器

2.4.1 字符串

即上文提到bsObj.find_all("a")和bsObj("a")。

2.4.2 标签列表

形如bsObj.find_all(["a", "p"])则会去寻找a标签和p标签。

2.4.3 True

True可以匹配任何职，但是不会返回字符串节点

2.4.4 正则表达式

引入Python自带的re（regular expressions）

示例：

from urllib import urlopen
from bs4 import BeautifulSoup
import re
html = urlopen("http://blog.orisonchan.cc/2018/08/14/43")
bsObj = BeautifulSoup(html.read(), 'html.parser')
print bsObj.find_all(name='img', attrs={'src': re.compile("[a-z]*.png")})[1]

结果

<img alt="red-black-tree" src="/uploads/2018/08/red-black-tree.png"/>

2.4.5 自定义方法作为参数

这个不知道该怎么表述，有兴趣的可以去官方文档看一下，这里直接来一个demo：

from urllib import urlopen
from bs4 import BeautifulSoup
import re
html = urlopen("http://blog.orisonchan.cc/2018/08/14/43")
bsObj = BeautifulSoup(html.read(), 'html.parser')


def png_image(tag):
    return tag.name == "img" and re.compile("[a-z]*tree.png").search(tag.attrs["src"])


for img in bsObj.find_all(png_image):
    print(img)

结果返回了该篇文章4个img中的3个：

<img alt="binary-search-tree" src="/uploads/2018/08/binary-search-tree.png"/>
<img alt="red-black-tree" src="/uploads/2018/08/red-black-tree.png"/>
<img alt="sentinel-in-list" src="/uploads/2018/08/b-tree.png"/>