Python爬虫小白入门（三）BeautifulSoup库
本文内容纲要：
-一、前言
-二、运行环境
-三、模块安装
-四、BeautifulSoup库的使用
-4.1BeautifulSoup对象的类型
-4.1.1Tag
-4.1.2NavigableString
-4.1.3BeautifulSoup
-4.1.4Comment
-4.2BeautifulSoup遍历方法
-4.2.1节点和标签名
-4.2.2搜索文档树
-五、继续上一篇实例
-六、后语
一、前言
上一篇演示了如何使用requests模块向网站发送http请求，获取到网页的HTML数据。这篇来演示如何使用BeautifulSoup模块来从HTML文本中提取我们想要的数据。
updateon2016-12-28：之前忘记给BeautifulSoup的官网了，今天补上，顺便再补点BeautifulSoup的用法。
updateon2017-08-16：很多网友留言说Unsplash网站改版了，很多内容是动态加载的。所以建议动态加载的内容使用PhantomJS而不是Request库进行请求，如果使用PhantomJS请看我的下一篇博客，如果是定位html文档使用的class等名字更改的话，建议大家根据更改后的内容进行定位，学爬虫重要的是爬取数据的逻辑，逻辑掌握了网站怎么变都不重要啦。
二、运行环境
我的运行环境如下：
- 系统版本
Windows10。 - Python版本
Python3.5，推荐使用Anaconda这个科学计算版本，主要是因为它自带一个包管理工具，可以解决有些包安装错误的问题。去Anaconda官网，选择Python3.5版本，然后下载安装。 - IDE
我使用的是PyCharm，是专门为Python开发的IDE。这是JetBrians的产品，点我下载。
三、模块安装
BeautifulSoup有多个版本，我们使用BeautifulSoup4。详细使用看BeautifuSoup4官方文档。
使用管理员权限打开cmd命令窗口，在窗口中输入下面的命令即可安装：
condainstallbeautifulsoup4
直接使用Python3.5没有使用Anaconda版本的童鞋使用下面命令安装：
pipinstallbeautifulsoup4
然后我们安装lxml，这是一个解析器，BeautifulSoup可以使用它来解析HTML，然后提取内容。
Anaconda使用下面命令安装lxml：
condainstalllxml
使用Python3.5的童鞋们直接使用pip安装会报错（所以才推荐使用Anaconda版本），安装教程看这里。
如果不安装lxml，则BeautifulSoup会使用Python内置的解析器对文档进行解析。之所以使用lxml，是因为它速度快。
文档解析器对照表如下：
| 解析器 | 使用方法 | 优势 | 劣势 |
|---|---|---|---|
| Python标准库 | BeautifulSoup(markup,"html.parser") | 1.Python的内置标准库 2.执行速度适 3.中文档容错能力强 |
Python2.7.3or3.2.2)前的版本中文档容错能力差 |
| lxmlHTML解析器 | BeautifulSoup(markup,"lxml") | 1.速度快 2.文档容错能力强 |
需要安装C语言库 |
| lxmlXML解析器 | BeautifulSoup(markup,["lxml-xml"]) BeautifulSoup(markup,"xml") |
1.速度快 2.唯一支持XML的解析器 |
需要安装C语言库 |
| html5lib | BeautifulSoup(markup,"html5lib") | 1.最好的容错性 2.以浏览器的方式解析文档 3.生成HTML5格式的文档 |
速度慢，不依赖外部扩展 |
四、BeautifulSoup库的使用
网上找到的几个官方文档：BeautifulSoup4.4.0中文官方文档，BeautifulSoup4.2.0中文官方文档。不同版本的用法差不多，几个常用的语法都一样。
首先来看BeautifulSoup的对象种类，在使用的过程中就会了解你获取到的东西接下来应该如何操作。
4.1BeautifulSoup对象的类型
BeautifulSoup将复杂HTML文档转换成一个复杂的树形结构，每个节点都是Python对象。所有对象可以归纳为4种类型:Tag,NavigableString,BeautifulSoup,Comment。下面我们分别看看这四种类型都是什么东西。
4.1.1Tag
这个就跟HTML或者XML（还能解析XML？是的，能！）中的标签是一样一样的。我们使用find()方法返回的类型就是这个（插一句：使用find-all()返回的是多个该对象的集合，是可以用for循环遍历的。）。返回标签之后，还可以对提取标签中的信息。
提取标签的名字：
tag.name
提取标签的属性：
tag['attribute']
我们用一个例子来了解这个类型：
frombs4importBeautifulSoup
html_doc="""
<html><head><title>TheDormouse'sstory</title></head>
<body>
<pclass="title"><b>TheDormouse'sstory</b></p>
<pclass="story">Onceuponatimetherewerethreelittlesisters;andtheirnameswere
<ahref="http://example.com/elsie"class="sister"id="link1">Elsie</a>,
<ahref="http://example.com/lacie"class="sister"id="link2">Lacie</a>and
<ahref="http://example.com/tillie"class="sister"id="link3">Tillie</a>;
andtheylivedatthebottomofawell.</p>
<pclass="story">...</p>
"""
soup=BeautifulSoup(html_doc,'lxml')#声明BeautifulSoup对象
find=soup.find('p')#使用find方法查到第一个p标签
print("find'sreturntypeis",type(find))#输出返回值类型
print("find'scontentis",find)#输出find获取的值
print("find'sTagNameis",find.name)#输出标签的名字
print("find'sAttribute(class)is",find['class'])#输出标签的class属性值
4.1.2NavigableString
NavigableString就是标签中的文本内容（不包含标签）。获取方式如下：
tag.string
还是以上面那个例子，加上下面这行，然后执行：
print('NavigableStringis：',find.string)
4.1.3BeautifulSoup
BeautifulSoup对象表示一个文档的全部内容。支持遍历文档树和搜索文档树。
4.1.4Comment
这个对象其实就是HTML和XML中的注释。
markup="<b><!--Hey,buddy.Wanttobuyausedparser?--></b>"
soup=BeautifulSoup(markup)
comment=soup.b.string
type(comment)
#<class'bs4.element.Comment'>
有些时候，我们并不想获取HTML中的注释内容，所以用这个类型来判断是否是注释。
iftype(SomeString)==bs4.element.Comment:
print('该字符是注释')
else:
print('该字符不是注释')
4.2BeautifulSoup遍历方法
4.2.1节点和标签名
可以使用子节点、父节点、及标签名的方式遍历：
soup.head#查找head标签
soup.p#查找第一个p标签
#对标签的直接子节点进行循环
forchildintitle_tag.children:
print(child)
soup.parent#父节点
#所有父节点
forparentinlink.parents:
ifparentisNone:
print(parent)
else:
print(parent.name)
#兄弟节点
sibling_soup.b.next_sibling#后面的兄弟节点
sibling_soup.c.previous_sibling#前面的兄弟节点
#所有兄弟节点
forsiblinginsoup.a.next_siblings:
print(repr(sibling))
forsiblinginsoup.find(id="link3").previous_siblings:
print(repr(sibling))
4.2.2搜索文档树
最常用的当然是find()和find_all()啦，当然还有其他的。比如find_parent()和find_parents()、find_next_sibling()和find_next_siblings()、find_all_next()和find_next()、find_all_previous()和find_previous()等等。
我们就看几个常用的，其余的如果用到就去看官方文档哦。
-
find_all()
搜索当前tag的所有tag子节点，并判断是否符合过滤器的条件。返回值类型是bs4.element.ResultSet。
完整的语法：
find_all(name,attrs,recursive,string,**kwargs)
这里有几个例子soup.find_all("title")
[
TheDormouse'sstory ]soup.find_all("p","title")
[
soup.find_all("a")
[Elsie,
Lacie,
Tillie]
soup.find_all(id="link2")
[Lacie]
importre soup.find(string=re.compile("sisters"))
u'Onceuponatimetherewerethreelittlesisters;andtheirnameswere\n'
name参数：可以查找所有名字为name的tag。
attr参数：就是tag里的属性。
string参数：搜索文档中字符串的内容。
recursive参数：调用tag的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。
-
find()
与find_all()类似，只不过只返回找到的第一个值。返回值类型是bs4.element.Tag。
完整语法：
find(name,attrs,recursive,string,**kwargs)
看例子：soup.find('title')
TheDormouse'sstory soup.find("head").find("title")
TheDormouse'sstory
基本功已经练完，开始实战！
五、继续上一篇实例
继续上一篇的网站Unsplash，我们在首页选中图片，查看html代码。发现所有的图片都在a标签里，并且class都是cV68d，如下图。
通过仔细观察，发现图片的链接在style中的background-image中有个url。这个url就包含了图片的地址，url后面跟了一堆参数，可以看到其中有&w=XXX&h=XXX，这个是宽度和高度参数。我们把高度和宽度的参数去掉，就能获取到大图。下面，我们先获取到所有的含有图片的a标签，然后在循环获取a标签中的style内容。
其实在图片的右下方有一个下载按钮，按钮的标签中有一个下载链接，但是该链接并不能直接请求到图片，需要跳转几次，通过获取表头里的Location才能获取到真正的图片地址。后续我再以这个角度获取图片写一篇博文，咱们现根据能直接获取到的url稍做处理来获取图片。小伙伴儿们也可能会发现其他的方式来获取图片的url，都是可以的，尽情的尝试吧！
importrequests#导入requests模块
frombs4importBeautifulSoup#导入BeautifulSoup模块
headers={'User-Agent':'Mozilla/5.0(WindowsNT10.0;Win64;x64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/54.0.2840.99Safari/537.36'}#给请求指定一个请求头来模拟chrome浏览器
web_url='https://unsplash.com'r=requests.get(web_url,headers=headers)#像目标url地址发送get请求，返回一个response对象
all_a=BeautifulSoup(r.text,'lxml').find_all('a',class_='cV68d')#获取网页中的class为cV68d的所有a标签
forainall_a:
print(a['style'])#循环获取a标签中的style
这里的find_all('a',class_='cV68d')是找到所有class为cV68d的a标签，返回的是一个list，所以可以用for循环获取每个a标签。
还有，get请求使用了headers参数，这个是用来模拟浏览器的。如何知道‘User-Agent’是什么呢？
在你的Chrome浏览器中，按F12，然后刷新网页，看下图就可以找到啦。
OK，我们来执行以下上面的代码，结果如下：
接下来的任务是在一行的文本中取到图片的url。仔细看每一行的字符串，两个双引号之间的内容就是图片的url了，所以我们Python的切片功能来截取这中间的内容。
改写for循环中的内容：
forainall_a:
img_str=a['style']#a标签中完整的style字符串
print(img_str[img_str.index('"')+1:img_str.index('"',img_str[img_str.index('"')+1)])#使用Python的切片功能截取双引号之间的内容
获取到url后还要把宽度和高度的参数去掉。
forainall_a:
img_str=a['style']#a标签中完整的style字符串
print('a标签的style内容是：',img_str)
first_pos=img_str.index('"')+1
second_pos=img_str.index('"',first_pos)
img_url=img_str[first_pos:second_pos]#使用Python的切片功能截取双引号之间的内容
width_pos=img_url.index('&w=')
height_pos=img_url.index('&q=')
width_height_str=img_url[width_pos:height_pos]
print('高度和宽度数据字符串是：',width_height_str)
img_url_final=img_url.replace(width_height_str,'')
print('截取后的图片的url是：',img_url_final)
有了这些图片的url，就可以通过继续发请求的方式获取图片啦。接下来我们先来封装一下发请求的代码。
先创建一个类：
classBeautifulPicture():
def__init__(self):#类的初始化操作
self.headers={'User-Agent':'Mozilla/5.0(WindowsNT10.0;Win64;x64)AppleWebKit/537.36(KHTML,likeGecko)Chrome/55.0.2883.87Safari/537.36'}#给请求指定一个请求头来模拟chrome浏览器
self.web_url='https://unsplash.com'#要访问的网页地址
self.folder_path='D:\BeautifulPicture'#设置图片要存放的文件目录
然后封装request请求：
defrequest(self,url):#返回网页的response
r=requests.get(url)#像目标url地址发送get请求，返回一个response对象
returnr
我们在文件目录下保存图片的话，要先创建文件目录。所以再添加一个创建目录的方法：
要先引入os库哦。
importos
然后是方法定义：
defmkdir(self,path):##这个函数创建文件夹
path=path.strip()
isExists=os.path.exists(path)
ifnotisExists:
print('创建名字叫做',path,'的文件夹')
os.makedirs(path)
print('创建成功！')
else:
print(path,'文件夹已经存在了，不再创建')
再然后是保存图片啦。
defsave_img(self,url,name):##保存图片
print('开始保存图片...')
img=self.request(url)
time.sleep(5)
file_name=name+'.jpg'
print('开始保存文件')
f=open(file_name,'ab')
f.write(img.content)
print(file_name,'文件保存成功！')
f.close()
工具方法都已经准备完毕，开始我们的逻辑部分：
defget_pic(self):
print('开始网页get请求')
r=self.request(self.web_url)
print('开始获取所有a标签')
all_a=BeautifulSoup(r.text,'lxml').find_all('a',class_='cV68d')#获取网页中的class为cV68d的所有a标签
print('开始创建文件夹')
self.mkdir(self.folder_path)#创建文件夹
print('开始切换文件夹')
os.chdir(self.folder_path)#切换路径至上面创建的文件夹
i=1#后面用来给图片命名
forainall_a:
img_str=a['style']#a标签中完整的style字符串
print('a标签的style内容是：',img_str)
first_pos=img_str.index('"')+1
second_pos=img_str.index('"',first_pos)
img_url=img_str[first_pos:second_pos]#使用Python的切片功能截取双引号之间的内容
width_pos=img_url.index('&w=')
height_pos=img_url.index('&q=')
width_height_str=img_url[width_pos:height_pos]
print('高度和宽度数据字符串是：',width_height_str)
img_url_final=img_url.replace(width_height_str,'')
print('截取后的图片的url是：',img_url_final)
self.save_img(img_url_final,str(i))
i+=1
最后就是执行啦：
beauty=BeautifulPicture()#创建一个类的实例
beauty.get_pic()#执行类中的方法
最后来一个完整的代码，对中间的一些部分进行了封装和改动，并添加了每部分的注释，一看就明白了。有哪块有疑惑的可以留言~~
importrequests#导入requests模块
frombs4importBeautifulSoup#导入BeautifulSoup模块
importos#导入os模块
classBeautifulPicture():
def__init__(self):#类的初始化操作
self.headers={'User-Agent':'Mozilla/5.0(WindowsNT6.1;WOW64)AppleWebKit/537.1(KHTML,likeGecko)Chrome/22.0.1207.1Safari/537.1'}#给请求指定一个请求头来模拟chrome浏览器
self.web_url='https://unsplash.com'#要访问的网页地址
self.folder_path='D:\BeautifulPicture'#设置图片要存放的文件目录
defget_pic(self):
print('开始网页get请求')
r=self.request(self.web_url)
print('开始获取所有a标签')
all_a=BeautifulSoup(r.text,'lxml').find_all('a',class_='cV68d')#获取网页中的class为cV68d的所有a标签
print('开始创建文件夹')
self.mkdir(self.folder_path)#创建文件夹
print('开始切换文件夹')
os.chdir(self.folder_path)#切换路径至上面创建的文件夹
forainall_a:#循环每个标签，获取标签中图片的url并且进行网络请求，最后保存图片
img_str=a['style']#a标签中完整的style字符串
print('a标签的style内容是：',img_str)
first_pos=img_str.index('"')+1
second_pos=img_str.index('"',first_pos)
img_url=img_str[first_pos:second_pos]#使用Python的切片功能截取双引号之间的内容
#获取高度和宽度的字符在字符串中的位置
width_pos=img_url.index('&w=')
height_pos=img_url.index('&q=')
width_height_str=img_url[width_pos:height_pos]#使用切片功能截取高度和宽度参数，后面用来将该参数替换掉
print('高度和宽度数据字符串是：',width_height_str)
img_url_final=img_url.replace(width_height_str,'')#把高度和宽度的字符串替换成空字符
print('截取后的图片的url是：',img_url_final)
#截取url中参数前面、网址后面的字符串为图片名
name_start_pos=img_url.index('photo')
name_end_pos=img_url.index('?')
img_name=img_url[name_start_pos:name_end_pos]
self.save_img(img_url_final,img_name)#调用save_img方法来保存图片
defsave_img(self,url,name):##保存图片
print('开始请求图片地址，过程会有点长...')
img=self.request(url)
file_name=name+'.jpg'
print('开始保存图片')
f=open(file_name,'ab')
f.write(img.content)
print(file_name,'图片保存成功！')
f.close()
defrequest(self,url):#返回网页的response
r=requests.get(url,headers=self.headers)#像目标url地址发送get请求，返回一个response对象。有没有headers参数都可以。
returnr
defmkdir(self,path):##这个函数创建文件夹
path=path.strip()
isExists=os.path.exists(path)
ifnotisExists:
print('创建名字叫做',path,'的文件夹')
os.makedirs(path)
print('创建成功！')
else:
print(path,'文件夹已经存在了，不再创建')
beauty=BeautifulPicture()#创建类的实例
beauty.get_pic()#执行类中的方法
执行的过程中可能会有点慢，这是因为图片本身比较大！如果仅仅是为了测试爬虫，则可以不把图片的宽度和高度替换掉，图片就没那么大啦，运行过程会快很多。
六、后语
伙伴儿们是不是发现，我们只获取到了10张图片，并没有把网站所有照片都下载下来。
这是因为咱们爬取的网站是下拉刷新的，下拉一次，刷新10张照片。那么，该如何爬取这种下拉刷新的网页呢？请看下一篇喽。
本文内容总结：一、前言，二、运行环境，三、模块安装，四、BeautifulSoup库的使用，4.1BeautifulSoup对象的类型，4.1.1Tag，4.1.2NavigableString，4.1.3BeautifulSoup，4.1.4Comment，4.2BeautifulSoup遍历方法，4.2.1节点和标签名，4.2.2搜索文档树，五、继续上一篇实例，六、后语，
原文链接：https://www.cnblogs.com/Albert-Lee/p/6232745.html