爬虫常用的库

Beautiful Soup

Beautiful Soup 是一个HTML/XML 的解析器，主要用于解析和提取 HTML/XML 数据。
它基于HTML DOM 的，会载入整个文档，解析整个DOM树，因此时间和内存开销都会大很多，所以性能要低于lxml。
BeautifulSoup 用来解析 HTML 比较简单，API非常人性化，支持CSS选择器、Python标准库中的HTML解析器，也支持 lxml 的 XML解析器。
虽然说BeautifulSoup4 简单容易比较上手，但是匹配效率还是远远不如正则以及xpath的，一般不推荐使用，推荐正则的使用。

步骤

第一步：pip install beautifulsoup4 ，万事开头难，先安装 beautifulsoup4，安装成功后就完成了第一步。

第二步：导入from bs4 import BeautifulSoup

第三步：创建 Beautiful Soup对象 soup = BeautifulSoup(html，‘html.parser’)

Beautiful Soup库的基本元素

Beautiful Soup库的理解： Beautiful Soup库是解析、遍历、维护“标签树”的功能库，对应一个HTML/XML文档的全部内容

Beautiful Soup库的基本元素

1. Beautiful Soup库的理解：
   Beautiful Soup库是解析、遍历、维护“标签树”的功能库，对应一个HTML/XML文档的全部内容

2. BeautifulSoup类的基本元素:

   • Tag 标签，最基本的信息组织单元，分别用<>和标明开头和结尾；
   • Name 标签的名字，

     …

     的名字是'p'，格式：.name;
   • Attributes 标签的属性，字典形式组织，格式：.attrs;
   • NavigableString 标签内非属性字符串，<>…中字符串，格式：.string;
   • Comment 标签内字符串的注释部分，一种特殊的Comment类型;、

# 导入bs4库
from bs4 import BeautifulSoup
import requests # 抓取页面

r = requests.get('https://python123.io/ws/demo.html') # Demo网址
demo = r.text  # 抓取的数据
# 解析HTML页面
soup = BeautifulSoup(demo, 'html.parser')  # 抓取的页面数据；bs4的解析器
# 有层次感的输出解析后的HTML页面
print(soup.prettify())

1）标签，用soup.访问获得:

• 当HTML文档中存在多个相同对应内容时，soup.返回第一个

2）标签的名字:每个都有自己的名字，通过soup..name获取，字符串类型

3)标签的属性,一个可以有0或多个属性，字典类型,soup..attrs

4)Attributes:标签内非属性字符串,格式：soup..string, NavigableString可以跨越多个层次

5）NavigableString:标签内字符串的注释部分，Comment是一种特殊类型(有-->)

6) .prettify()为HTML文本<>及其内容增加更加’\n’,有层次感的输出

.prettify()可用于标签，方法：.prettify()

7)bs4库将任何HTML输入都变成utf‐8编码

Python 3.x默认支持编码是utf‐8,解析无障碍

基于bs4库的HTML内容遍历方法

HTML基本格式:<>…构成了所属关系，形成了标签的树形结构

• 标签树的下行遍历
  • .contents 子节点的列表，将所有儿子节点存入列表
  • .children 子节点的迭代类型，与.contents类似，用于循环遍历儿子节点
  • .descendants 子孙节点的迭代类型，包含所有子孙节点，用于循环遍历
• 标签树的上行遍
  • .parent 节点的父亲标签
  • .parents 节点先辈标签的迭代类型，用于循环遍历先辈节点
• 标签树的平行遍历
  • .next_sibling 返回按照HTML文本顺序的下一个平行节点标签
  • .previous_sibling 返回按照HTML文本顺序的上一个平行节点标签
  • .next_siblings 迭代类型，返回按照HTML文本顺序的后续所有平行节点标签
  • .previous_siblings 迭代类型，返回按照HTML文本顺序的前续所有平行节点标签
  • 注意：
    • 标签树的平行遍历是有条件的
    • 平行遍历发生在同一个父亲节点的各节点之间
    • 标签中的内容也构成了节点

• 详见：https://www.cnblogs.com/mengxiaoleng/p/115857