Python 爬虫 – BeautifulSoup

Python 爬虫（Web Scraping）是指通过编写 Python 程序从互联网上自动提取信息的过程。

爬虫的基本流程通常包括发送 HTTP 请求获取网页内容、解析网页并提取数据，然后存储数据。

Python 的丰富生态使其成为开发爬虫的热门语言，特别是由于其强大的库支持。

一般来说，爬虫的流程可以分为以下几个步骤：

• 发送 HTTP 请求：爬虫通过 HTTP 请求从目标网站获取 HTML 页面，常用的库包括 requests。
• 解析 HTML 内容：获取 HTML 页面后，爬虫需要解析内容并提取数据，常用的库有 BeautifulSoup、lxml、Scrapy 等。
• 提取数据：通过定位 HTML 元素（如标签、属性、类名等）来提取所需的数据。
• 存储数据：将提取的数据存储到数据库、CSV 文件、JSON 文件等格式中，以便后续使用或分析。

本章节主要介绍 BeautifulSoup，它是一个用于解析 HTML 和 XML 文档的 Python 库，能够从网页中提取数据，常用于网页抓取和数据挖掘。

---

BeautifulSoup

BeautifulSoup 是一个用于从网页中提取数据的 Python 库，特别适用于解析 HTML 和 XML 文件。

BeautifulSoup 能够通过提供简单的 API 来提取和操作网页中的内容，非常适合用于网页抓取和数据提取的任务。

安装 BeautifulSoup

要使用 BeautifulSoup，需要安装 beautifulsoup4 和 lxml 或 html.parser（一个 HTML 解析器）。

我们可以使用 pip 来安装这些依赖：

pip install beautifulsoup4
pip install lxml  # 推荐使用 lxml 作为解析器（速度更快）

如果你没有 lxml，可以使用 Python 内置的 html.parser 作为解析器。

基本用法

BeautifulSoup 用于解析 HTML 或 XML 数据，并提供了一些方法来导航、搜索和修改解析树。

BeautifulSoup 常见的操作包括查找标签、获取标签属性、提取文本等。

要使用 BeautifulSoup，需要先导入 BeautifulSoup，并将 HTML 页面加载到 BeautifulSoup 对象中。

通常，你会先用爬虫库（如 requests）获取网页内容:

实例

from bs4 import BeautifulSoup
import requests

# 使用 requests 获取网页内容
url = 'https://cn.bing.com/' # 抓取bing搜索引擎的网页内容
response = requests.get(url)

# 使用 BeautifulSoup 解析网页
soup = BeautifulSoup(response.text, 'lxml')  # 使用 lxml 解析器
# 解析网页内容 html.parser 解析器
# soup = BeautifulSoup(response.text, 'html.parser')

获取网页标题：

实例

from bs4 import BeautifulSoup
import requests

# 指定你想要获取标题的网站
url = 'https://cn.bing.com/' # 抓取bing搜索引擎的网页内容

# 发送HTTP请求获取网页内容
response = requests.get(url)
# 中文乱码问题
response.encoding = 'utf-8' 
# 确保请求成功
if response.status_code == 200:
    # 使用BeautifulSoup解析网页内容
    soup = BeautifulSoup(response.text, 'lxml')
    
    # 查找<title>标签
    title_tag = soup.find('title')
    
    # 打印标题文本
    if title_tag:
        print(title_tag.get_text())
    else:
        print("未找到<title>标签")
else:
    print("请求失败，状态码：", response.status_code)

执行以上代码，输出标题为：

搜索 - Microsoft 必应

中文乱码问题

使用 requests 库抓取中文网页时，可能会遇到编码问题，导致中文内容无法正确显示，为了确保能够正确抓取并显示中文网页，通常需要处理网页的字符编码。

自动检测编码 requests 通常会自动根据响应头中的 Content-Type 来推测网页的编码，但有时可能不准确，此时可以使用 chardet 来自动检测编码。

实例

import requests

url = 'https://cn.bing.com/'
response = requests.get(url)

# 使用 chardet 自动检测编码
import chardet
encoding = chardet.detect(response.content)['encoding']
print(encoding)
response.encoding = encoding

执行以上代码，输出为：

utf-8

如果你知道网页的编码（例如 utf-8 或 gbk），可以直接设置 response.encoding:

response.encoding = 'utf-8'  # 或者 'gbk'，根据实际情况选择

查找标签

BeautifulSoup 提供了多种方法来查找网页中的标签，最常用的包括 find() 和 find_all()。

• find() 返回第一个匹配的标签
• find_all() 返回所有匹配的标签

实例

from bs4 import BeautifulSoup
import requests

# 指定你想要获取标题的网站
url = 'https://www.baidu.com/' # 抓取bing搜索引擎的网页内容

# 发送HTTP请求获取网页内容
response = requests.get(url)
# 中文乱码问题
response.encoding = 'utf-8'

soup = BeautifulSoup(response.text, 'lxml')

# 查找第一个 <a> 标签
first_link = soup.find('a')
print(first_link)
print("----------------------------")

# 获取第一个 <a> 标签的 href 属性
first_link_url = first_link.get('href')
print(first_link_url)
print("----------------------------")

# 查找所有 <a> 标签
all_links = soup.find_all('a')
print(all_links)

输出结果类似如下：

<a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻</a>
----------------------------
http://news.baidu.com
----------------------------
[<a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻</a>, <a class="mnav" href="https://www.hao123.com" name="tj_trhao123">hao123</a>, <a class="mnav" href="http://map.baidu.com" name="tj_trmap">地图</a>, <a class="mnav" href="http://v.baidu.com" name="tj_trvideo">视频</a>,

获取标签的文本

通过 get_text() 方法，你可以提取标签中的文本内容：

实例

from bs4 import BeautifulSoup
import requests

# 指定你想要获取标题的网站
url = 'https://www.baidu.com/' # 抓取bing搜索引擎的网页内容

# 发送HTTP请求获取网页内容
response = requests.get(url)
# 中文乱码问题
response.encoding = 'utf-8'

soup = BeautifulSoup(response.text, 'lxml')

# 获取第一个 <p> 标签中的文本内容
paragraph_text = soup.find('p').get_text()

# 获取页面中所有文本内容
all_text = soup.get_text()
print(all_text)

输出结果类似如下：

 百度一下，你就知道           
...

查找子标签和父标签

你可以通过 parent 和 children 属性访问标签的父标签和子标签：

# 获取当前标签的父标签
parent_tag = first_link.parent

# 获取当前标签的所有子标签
children = first_link.children

实例

from bs4 import BeautifulSoup
import requests

# 指定你想要获取标题的网站
url = 'https://www.baidu.com/' # 抓取bing搜索引擎的网页内容

# 发送HTTP请求获取网页内容
response = requests.get(url)
# 中文乱码问题
response.encoding = 'utf-8'

soup = BeautifulSoup(response.text, 'lxml')

# 查找第一个 <a> 标签
first_link = soup.find('a')
print(first_link)
print("----------------------------")

# 获取当前标签的父标签
parent_tag = first_link.parent
print(parent_tag.get_text())

输出结果类似如下：

<a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻</a>
----------------------------
 新闻 hao123 地图 视频 贴吧  登录   更多产品 

查找具有特定属性的标签

你可以通过传递属性来查找具有特定属性的标签。

例如，查找类名为 example-class 的所有 div 标签：

# 查找所有 class="example-class" 的 <div> 标签
divs_with_class = soup.find_all('div', class_='example-class')

# 查找具有 id="unique-id" 的 <p> 标签
unique_paragraph = soup.find('p', id='unique-id')

获取搜索按钮，id 为 su ：

实例

from bs4 import BeautifulSoup
import requests

# 指定你想要获取标题的网站
url = 'https://www.baidu.com/' # 抓取bing搜索引擎的网页内容

# 发送HTTP请求获取网页内容
response = requests.get(url)
# 中文乱码问题
response.encoding = 'utf-8'

soup = BeautifulSoup(response.text, 'lxml')

# 查找具有 id="unique-id" 的 <input> 标签
unique_input = soup.find('input', id='su')

input_value = unique_input['value'] # 获取 input 输入框的值

print(input_value)

输出结果为：

百度一下

---

高级用法

CSS 选择器

BeautifulSoup 也支持通过 CSS 选择器来查找标签。

select() 方法允许使用类似 jQuery 的选择器语法来查找标签：

# 使用 CSS 选择器查找所有 class 为 'example' 的 <div> 标签
example_divs = soup.select('div.example')

# 查找所有 <a> 标签中的 href 属性
links = soup.select('a[href]')

处理嵌套标签

BeautifulSoup 支持深度嵌套的 HTML 结构，你可以通过递归查找子标签来处理这些结构：

# 查找嵌套的 <div> 标签
nested_divs = soup.find_all('div', class_='nested')
for div in nested_divs:
    print(div.get_text())

修改网页内容

BeautifulSoup 允许你修改 HTML 内容。

我们可以修改标签的属性、文本或删除标签：

实例

# 修改第一个 <a> 标签的 href 属性
first_link['href'] = 'http://new-url.com'

# 修改第一个 <p> 标签的文本内容
first_paragraph = soup.find('p')
first_paragraph.string = 'Updated content'

# 删除某个标签
first_paragraph.decompose()

转换为字符串

你可以将解析的 BeautifulSoup 对象转换回 HTML 字符串：

# 转换为字符串
html_str = str(soup)

---

BeautifulSoup 属性与方法

以下是 BeautifulSoup 中常用的属性和方法:

方法/属性	描述	示例
BeautifulSoup()	用于解析 HTML 或 XML 文档并返回一个 BeautifulSoup 对象。	soup = BeautifulSoup(html_doc, 'html.parser')
.prettify()	格式化并美化文档内容，生成结构化的字符串。	print(soup.prettify())
.find()	查找第一个匹配的标签。	tag = soup.find('a')
.find_all()	查找所有匹配的标签，返回一个列表。	tags = soup.find_all('a')
.find_all_next()	查找当前标签后所有符合条件的标签。	tags = soup.find('div').find_all_next('p')
.find_all_previous()	查找当前标签前所有符合条件的标签。	tags = soup.find('div').find_all_previous('p')
.find_parent()	返回当前标签的父标签。	parent = tag.find_parent()
.find_all_parents()	查找当前标签的所有父标签。	parents = tag.find_all_parents()
.find_next_sibling()	查找当前标签的下一个兄弟标签。	next_sibling = tag.find_next_sibling()
.find_previous_sibling()	查找当前标签的前一个兄弟标签。	prev_sibling = tag.find_previous_sibling()
.parent	获取当前标签的父标签。	parent = tag.parent
.next_sibling	获取当前标签的下一个兄弟标签。	next_sibling = tag.next_sibling
.previous_sibling	获取当前标签的前一个兄弟标签。	prev_sibling = tag.previous_sibling
.get_text()	提取标签内的文本内容，忽略所有HTML标签。	text = tag.get_text()
.attrs	返回标签的所有属性，以字典形式表示。	href = tag.attrs['href']
.string	获取标签内的字符串内容。	string_content = tag.string
.name	返回标签的名称。	tag_name = tag.name
.contents	返回标签的所有子元素，以列表形式返回。	children = tag.contents
.descendants	返回标签的所有后代元素，生成器形式。	for child in tag.descendants: print(child)
.parent	获取当前标签的父标签。	parent = tag.parent
.previous_element	获取当前标签的前一个元素（不包括文本）。	prev_elem = tag.previous_element
.next_element	获取当前标签的下一个元素（不包括文本）。	next_elem = tag.next_element
.decompose()	从树中删除当前标签及其内容。	tag.decompose()
.unwrap()	移除标签本身，只保留其子内容。	tag.unwrap()
.insert()	向标签内插入新标签或文本。	tag.insert(0, new_tag)
.insert_before()	在当前标签前插入新标签。	tag.insert_before(new_tag)
.insert_after()	在当前标签后插入新标签。	tag.insert_after(new_tag)
.extract()	删除标签并返回该标签。	extracted_tag = tag.extract()
.replace_with()	替换当前标签及其内容。	tag.replace_with(new_tag)
.has_attr()	检查标签是否有指定的属性。	if tag.has_attr('href'):
.get()	获取指定属性的值。	href = tag.get('href')
.clear()	清空标签的所有内容。	tag.clear()
.encode()	编码标签内容为字节流。	encoded = tag.encode()
.is_empty_element	检查标签是否是空元素（例如 <br>、<img> 等）。	if tag.is_empty_element:
.is_ancestor_of()	检查当前标签是否是指定标签的祖先元素。	if tag.is_ancestor_of(another_tag):
.is_descendant_of()	检查当前标签是否是指定标签的后代元素。	if tag.is_descendant_of(another_tag):

其他属性

方法/属性	描述	示例
.style	获取标签的内联样式。	style = tag['style']
.id	获取标签的 id 属性。	id = tag['id']
.class_	获取标签的 class 属性。	class_name = tag['class']
.string	获取标签内部的字符串内容，忽略其他标签。	content = tag.string
.parent	获取标签的父元素。	parent = tag.parent

其他

方法/属性	描述	示例
find_all(string)	使用字符串查找匹配的标签。	tag = soup.find_all('div', class_='container')
find_all(id)	查找指定 id 的标签。	tag = soup.find_all(id='main')
find_all(attrs)	查找具有指定属性的标签。	tag = soup.find_all(attrs={"href": "http://example.com"})