Beautifulsoup4

zjyao / 2023-08-07 / 原文

一爬取新闻
- 1.1 直接爬取新闻
- 1.2 新闻数据保存到mysql中
二 bs4介绍遍历文档树
三 bs4搜索文档树
- - 3.2 其他用法
四 css选择器

一爬取新闻

# 1 爬取网页---requests
# 2 解析 xml包含html格式
	---xml格式，用了re匹配的
	---html，bs4，lxml...
    ---json：
    	-python ：内置的
    	-java ： fastjson---》漏洞
        -java：  谷歌  Gson
        -go ：内置 基于反射，效率不高

1.1 直接爬取新闻

import requests
from bs4 import BeautifulSoup

## 解析
# pip3.8 install beautifulsoup4
# pip3.8 install lxml
res = requests.get('https://www.autohome.com.cn/news/1/#liststart')
soup = BeautifulSoup(res.text, 'html.parser')  # 参数1：解析的字符串  参数2：解析器html.parser(内置的)，第三方(lxml ，额外安装，否则报错)
# soup = BeautifulSoup(res.text, 'lxml')


# find：找一个  和 find_all:找所有
ul_list = soup.find_all(name='ul', class_='article')
# print(len(ul_list))
for ul in ul_list:
    li_list = ul.find_all(name='li')
    # print(len(li_list))
    for li in li_list:
        #  新闻标题
        h3 = li.find(name='h3')
        # print(h3)
        if h3:  # 有一个空的标签
            title = h3.text  # 拿取h3的文本
            # 链接
            url = 'https:' + li.find(name='a').attrs.get('href')  # 属性attrs
            # 摘要
            desc = li.find(name='p').text
            # 图片
            img = li.find(name='img').attrs.get('src')
            print('''
                新闻标题：%s
                新闻图片：%s
                新闻地址；%s
                新闻摘要：%s
                ''' % (title, img, url, desc))

1.2 新闻数据保存到mysql中

import requests
from bs4 import BeautifulSoup
import pymysql  # 用pymysql操作数据库

# 创建好库和表
conn = pymysql.connect(
    user='root',
    password='1113',
    host='127.0.0.1',
    database='cars',
)
cursor = conn.cursor()

res = requests.get('https://www.autohome.com.cn/news/1/#liststart')
soup = BeautifulSoup(res.text, 'html.parser')

# find：找一个  和 find_all:找所有
ul_list = soup.find_all(name='ul', class_='article')
for ul in ul_list:
    li_list = ul.find_all(name='li')
    for li in li_list:
        h3 = li.find(name='h3')
        if h3:
            title = h3.text
            url = 'https:' + li.find(name='a').attrs.get('href')  # 属性attrs
            desc = li.find(name='p').text
            img = li.find(name='img').attrs.get('src')
            '''
            图片保存到本地
            数据入库
            '''
            # desc是sql关键字，想要正常使用，用反引号框起来
            # 传入数据用args写入
            cursor.execute('insert into news (title, img, url, `desc`) values (%s, %s, %s, %s)', args=[title, img, url, desc])
            # cursor.execute('insert into news (title,img,url,`desc`) values (%s,%s,%s,%s)'%(title,img,url,desc))  # 这种使用方式会出现sql注入问题

            # 每次插入一条，就提交一次
            conn.commit()

二 bs4介绍遍历文档树

用来解析html格式，在html中查找元素的第三方包

from bs4 import BeautifulSoup

# 这个字符串不是以</html>结尾的标准的字符串
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story<span>lqz</span></b><b>adfasdf<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>
"""

soup = BeautifulSoup(html_doc, 'lxml')
# print(soup)
# 美化
print(soup.prettify())

# 遍历(从边上开始寻找数据)、搜索(从任意位置开始寻找数据)

###遍历文档树
# 遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个
# 1、用法   通过 .  遍历
a = soup.html.body.a  # 找body下的第一个a
a = soup.a  # 找soup下的第一个a
print(a)


# 2、获取标签的名称
# soup.a 是个对象
a = soup.a.name  
print(a)  # a


# 3、获取标签的属性
a = soup.a.attrs
print(a)  # {'href': 'http://example.com/elsie', 'class': ['sister'], 'id': 'link1'}
print(a.get('id'))
a = soup.a.attrs.get('href')
print(a)


# 4、获取标签的内容---文本内容
# 标签名.text：会把当前标签的子子孙孙的文本内容都拿出来，拼到一起
# 标签名.string：当前标签有且只有自己（没有子标签），把文本内容拿出来
# 标签名.strings：是generator生成器，把子子孙孙的文本内容放到生成器中

# 1.<p class="title"><b>The Dormouse's <em>lqz</em>story<span>hhhhh</span></b></p>
print(soup.p.text)  # The Dormouse's lqzstoryhhhhh
print(soup.p.string)  # None
print(list(soup.p.strings))  # ["The Dormouse's ", 'lqz', 'story', 'hhhhh']

# 2.<p class="title"><b>The Dormouse's story</b></p>
print(soup.p.text)  # The Dormouse's story
print(soup.p.string)  # The Dormouse's story
print(list(soup.p.strings))  # ["The Dormouse's story"]


# 5、嵌套选择  . 完后可以继续再 .
print(soup.head.title.text)  # The Dormouse's story
print(soup.html.body.a.text)  # Elsie


# 6、子节点、子孙节点
# <p class="title"><b>The Dormouse's story<span>lqz</span></b><b>adfasdf<b></p>
print(soup.p.contents)  # p下所有子节点
print(list(soup.p.children))  # 得到一个迭代器，包含p下所有子节点

for i, child in enumerate(soup.p.children):
    print(i, child)

print(list(soup.p.descendants))  # 获取子孙节点，p下所有的标签都会选择出来
for i, child in enumerate(soup.p.descendants):
    print(i, child)

# 7、父节点、祖先节点
print(soup.a.parent)  # 获取a标签的父节点
print(soup.a.parents)  # 找到a标签所有的祖先节点，父亲的父亲，父亲的父亲的父亲...
print(list(soup.a.parents))  # 生成器，找到a标签所有的祖先节点，父亲的父亲，父亲的父亲的父亲...


# 8、兄弟节点
print(soup.a.next_sibling)  # 下一个兄弟，第一个是'/n'
print(soup.a.previous_sibling)  # 上一个兄弟，第一个是p标签中的文本拼接上/n

print(list(soup.a.next_siblings))  # 下面的兄弟们=>生成器对象
print(list(soup.a.previous_siblings))  # 上面的兄弟们=>生成器对象

三 bs4搜索文档树

# find:找到最符合的第一个     find_all：找到所有
五种过滤器: 字符串、正则表达式、列表、True、方法
from bs4 import BeautifulSoup

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b class ='baby'>The Dormouse's story<span>lqz</span></b><b>adfasdf<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" xx="xx">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" name="zzz">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""

soup = BeautifulSoup(html_doc, 'lxml')
# 五种过滤器: 字符串、正则表达式、列表、True、方法

# 字符串    通过字符串查找
a = soup.find(name='a')
a = soup.find_all(name='a', class_='sister')
a = soup.find_all(name='a', id='link1')
a = soup.find(text='Elsie').parent
a = soup.find(href='http://example.com/elsie')  # 括号中可以写 name，id，class_，href，text，所有属性
a = soup.find(xx='xx')   # 括号中可以写 name:标签名，id，class_，href，text，所有属性
a = soup.find(attrs={'class': 'sister'})  # 可以通过attrs传属性
a = soup.find(attrs={'name': 'zzz'})  # 可以通过attrs传属性
print(a)



# 正则表达式
import re
a = soup.find_all(re.compile('^b'))
a = soup.find_all(class_=re.compile('^b'))  # 找出类名以b开头，结果有b标签

# 找出所有有链接的标签
a = soup.find_all(href=re.compile('^http'))
a = soup.find_all(name=re.compile('^b'))
# 可以寻找出所有图片地址
print(a)



# 列表
a = soup.find_all(name=['b', 'body', 'span'])  # Soup会将与列表中任一元素匹配的内容返回
a = soup.find_all(class_=['sister', 'title'])
print(a)



# True
a = soup.find_all(href=True)  # 打印出有href属性的标签
a = soup.find_all(src=True, name='img')
print(a)


# 方法  
如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数 ,如果这个方法返回 True 表示当前元素匹配并且被找到,如果不是则反回 False
def has_class_but_no_id(tag):
    # 查询所有有class但是没有id的标签
    return tag.has_attr('class') and not tag.has_attr('id')

print(soup.find_all(has_class_but_no_id))

3.2 其他用法

# find  本质就是find_all    find的参数，就是find_all的参数，但是find_all比find多

# recursive=True：是否递归查找，默认是True，如果写成false，只找第一层,  limit=None
a = soup.find_all(name='html')
a = soup.find_all(name='html', recursive=False)

# 联合遍历文档树使用，先遍历出p标签
a = soup.html.p.find(name='b', recursive=False)
print(a)


# limit=None  限制找几条
a = soup.find_all(name='a', limit=1)
print(a)

四 css选择器

# 该模块提供了select方法来支持css，详见官网:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#id37
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b class ='baby'>The Dormouse's story<span>lqz</span></b><b>adfasdf<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" xx="xx"><span id="name">lqz</span>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" name="zzz">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""
from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, 'lxml')

# 1、CSS选择器
print(soup.select('.sister'))
print(soup.p.select('.sister'))  # []
print(soup.select('.sister span'))

print(soup.select('#link1'))
print(soup.select('#link1 span'))

print(soup.select('.sister')[0].select('#name'))  # 可以一直select


# 2、联合使用
print(soup.p.find(name='b').select('span'))

# 3、获取属性
print(soup.select('.sister')[0].attrs)

# 4、获取内容
print(soup.select('.sister')[0].get_text())

'''
div
.类名
#id号
div a  # div下的子子孙孙中得a
div>a  #div直接子节点
'''


# 以后，基本所有的解析器都会支持两种解析：css，xpath，都可以去页面中复制

import requests

# 爬取菜鸟教程
html_doc = requests.get('http://it028.com/css-selectors.html')

# 更改乱码
html_doc.encoding = html_doc.apparent_encoding  # 从页面中解析出编码方式
# res.encoding = 'utf-8'  # 直接指定编码是utf-8
# print(res.text)

from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc.text, 'lxml')
# 在网页中复制css：找出内容-->右键Copy-->Copy selector
res = soup.select('#content > table > tbody > tr:nth-child(16) > td:nth-child(3)')
print(res)  # [<td>选择活动链接</td>]

# 复制xpath：找出内容-->右键Copy-->Copy XPath
from lxml import etree
element = etree.HTML(html_doc.text)
res2 = element.xpath('//*[@id="content"]/table/tbody/tr[16]/td[3]/text()')
print(res2)  # ['选择活动链接']


# 去页面中复制，不一定能找出来，浏览器中是有js代码的，使用requests访问页面，可能js没有执行完成，没有渲染完成。

# selenium 使用：解决 requests 和不能执行js的问题，直接控制浏览器