共计 5559 个字符,预计需要花费 14 分钟才能阅读完成。
CSS Selector
CSS(即层叠样式表 Cascading Stylesheet),
Selector 来定位(locate)页面上的元素(Elements)。Selenium 官网的 Document 里极力推荐应用 CSS locator,而不是 XPath 来定位元素,起因是CSS locator 比 XPath locator 速度快.
Beautiful Soup
- 反对从 HTML 或 XML 文件中提取数据的 Python 库
- 反对 Python 规范库中的 HTML 解析器
- 还反对一些第三方的解析器 lxml, 应用的是 Xpath 语法,举荐装置。
Beautiful Soup 主动将输出文档转换为 Unicode 编码,输入文档转换为 utf- 8 编码。你 不须要思考编码方式,除非文档没有指定一个编码方式,这时,Beautiful Soup 就不能自动识别编码方式了。而后,你仅仅须要阐明一下原始编码方式就能够了
- Beautiful Soup4 装置
官网文档链接:
https://www.crummy.com/softwa…
能够利用 pip 来装置
pip install beautifulsoup4
- 装置解析器(上节课曾经装置过)
pip install lxml
- Beautiful Soup 反对 Python 规范库中的 HTML 解析器, 还反对一些第三方的解析器, 其中一个是 lxml . 依据操作系统不同, 能够抉择下列办法来装置 lxml:
另一个可供选择的解析器是纯 Python 实现的 html5lib , html5lib 的解析形式与浏览器雷同, 能够抉择下列办法来装置 html5lib:
pip install html5lib
下表列出了次要的解析器:
解析器 | 应用办法 | 劣势 | 劣势 |
---|---|---|---|
Python 规范库 | BeautifulSoup(markup, “html.parser”) | Python 的内置规范库; 执行速度适中; 文档容错能力强 | Python 2.7.3 or 3.2.2 前 的版本中文档容错能力差 |
lxml HTML 解析器 | BeautifulSoup(markup, “lxml”) | 速度快; 文档容错能力强 ; | 须要装置 C 语言库 |
lxml XML 解析器 | BeautifulSoup(markup, [“lxml-xml”]) BeautifulSoup(markup, “xml”) | 速度快; 惟一反对 XML 的解析器 | 须要装置 C 语言库 |
html5lib | BeautifulSoup(markup, “html5lib”) | 最好的容错性; 以浏览器的形式解析文档; 生成 HTML5 格局的文档 | 速度慢; 不依赖内部扩大 |
举荐应用 lxml 作为解析器, 因为效率更高. 在 Python2.7.3 之前的版本和 Python3 中 3.2.2 之前的版本, 必须装置 lxml 或 html5lib, 因为那些 Python 版本的规范库中内置的 HTML 解析办法不够稳固.
- 疾速开始
html_doc ="""<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>
<p class="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.</p>
<p class="story">...</p>
"""
应用 BeautifulSoup 解析这段代码, 可能失去一个 BeautifulSoup 的对象, 并能依照规范的缩进格局的构造输入:
from bs4 import BeautifulSoup soup = BeautifulSoup(html_doc,'lxml')
上面咱们来打印一下 soup 对象的内容
print (soup)
![
](https://upload-images.jianshu…
格式化输入 soup 对象
print(soup.prettify())
CSS 选择器
在写 CSS 时:
标签名不加任何润饰 类名前加点 id 名前加 #
利用相似的办法来筛选元素,用到的办法是 soup.select(),返回类型是 list
- 通过标签名查找
print (soup.select('title') )
#[<title>The Dormouse's story</title>]
print (soup.select('a'))
#[<a class="sister" href="http://example.com/elsie" id="link1"></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>]
print (soup.select('b'))
#[<b>The Dormouse's story</b>]
- 通过类名查找
print (soup.select('.sister'))
# [<a class="sister" href="http://example.com/elsie" id="link1"></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>]
- 通过 id 名查找
print(soup.select('#link1'))
# [<a class="sister" href="http://example.com/elsie" id="link1"></a>]
- 间接子标签查找
print (soup.select("head > title"))
#[<title>The Dormouse's story</title>]
- 组合查找
组合查找即标签名与类名、id 名进行的组合原理是一样的,例如查找 p 标签中,id 等于 link1 的内容,
属性和标签不属于同一节点 二者须要用空格离开
print (soup.select('p #link1'))
#[<a class="sister" href="http://example.com/elsie" id="link1"></a>]
- 属性查找
查找时还能够退出属性元素,属性须要用中括号括起来
留神属性和标签属于同一节点,所以两头不能加空格,否则会无奈匹配到
print (soup.select('a[class="sister"]'))
#[<a class="sister" href="http://example.com/elsie" id="link1"></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>]
print (soup.select('a[href="http://example.com/elsie"]'))
#[<a class="sister" href="http://example.com/elsie" id="link1"></a>]
同样,属性依然能够与上述查找形式组合,不在同一节点的空格隔开,同一节点的不加空格
print (soup.select('p a[href="http://example.com/elsie"]'))
#[<a class="sister" href="http://example.com/elsie" id="link1"></a>]
以上的 select 办法返回的后果都是列表模式,能够遍历模式输入
用 get_text() 办法来获取它的内容。
print(soup.select('title')[0].get_text())for title in soup.select('title'):
print (title.get_text())
Tag
Tag 是什么?艰深点讲就是 HTML 中的一个个标签,例如
<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
print type(soup.select('a')[0])
输入:
bs4.element.Tag
对于 Tag,它有两个重要的属性,是 name 和 attrs,上面咱们别离来感受一下
- name
print (soup.name) print (soup.select('a')[0].name)
输入:
[document] 'a'
soup 对象自身比拟非凡,它的 name 即为 [document],对于其余外部标签,输入的值便为标签自身的名称。
- attrs
print (soup.select('a')[0].attrs)
输入:
{'href': 'http://example.com/elsie', 'class': ['sister'], 'id': 'link1'}
在这里,咱们把 soup.select(‘a’)[0] 标签的所有属性打印输出了进去,失去的类型是一个字典。
如果咱们想要独自获取某个属性,能够这样,例如咱们获取它的 class 叫什么
print (soup.select('a')[0].attrs['class'])
输入:
['sister']
实战
爬取豆瓣电影排行榜案例
https://movie.douban.com/chart
from bs4 import BeautifulSoup
import urllib.parse
import urllib.request
url='https://movie.douban.com/chart'
# 豆瓣排行榜
herders={'User-Agent':'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/85.0.4183.102 Safari/537.36', 'Referer':'https://movie.douban.com/','Connection':'keep-alive'}
# 申请头信息
req = urllib.request.Request(url,headers=herders)
# 设置申请头
response=urllib.request.urlopen(req)
# response 是返回响应的数据
htmlText=response.read()
# 读取响应数据
# 把字符串解析为 html 文档
html = BeautifulSoup(htmlText,'lxml')
result = html.select(".pl2")
file = open('data.txt','a',encoding='utf-8')
# 关上一个文本文件
# 遍历几个
for item in result:
str = ''
#申明一个空的字符串
str += item.select('a')[0].get_text().replace('','').replace("\n","")
# 获取题目文字. 替换掉空格. 替换掉换行
str += '('
# 给评分加个左括号
str += item.select('.rating_nums')[0].get_text()
# 获取评分
str += ')\n'
# 给评分加个右括号
print(str)
# 在控制台输入内容
file.write(str)
# 写入文件
file.close()
# 敞开文件
后果
从邪恶中援救我 / 魔鬼对决(台)/ 请救我于邪恶(7.2)
神弃之地 / 恶魔每时每刻(6.9)
监督资本主义:智能陷阱 / 社交窘境 / 智能社会:进退维谷(台)(8.6)
我想完结这所有 /i’mthinkingofendingthings(风格化题目)(7.3)
禁锢之地 /Imprisonment/TheTrapped(4.4)
鸣鸟不飞:乌云密布 /SaezuruToriWaHabatakanai:TheCloudsGather(8.3)
树上有个好中央 /TheHomeintheTree(7.9)
辣手保姆 2:女王蜂 / 撒旦保姆:血腥女王 /TheBabysitter2(5.7)
解冻的心愿 / 雪藏心愿:待日新生 /HopeFrozen:AQuestToLiveTwice(8.1)
铁雨 2:首脑峰会 / 铁雨 2:首脑谈判 / 钢铁雨 2:核战危机(港)(5.8)
单词表
"""
单词表
Beautiful 漂亮的
Soup 汤
url 对立资源定位器
lib library 库
parse 解析
request 解析
respone 响应
select 抉择
open 关上
encoding 编码
get_text 获取文本
write 写
close 敞开
问题?
好,这就是另一种与 XPath 语法有殊途同归之妙的查找办法,感觉哪种更不便?
IT 入门 感激关注 | 练习地址:www.520mg.com/it