第二章_复杂HTML解析

已经确定目标内容后,应该怎么做?

· 寻找“打印此页”的链接,或者看看网站有没有 HTML 样式更友好的移动版。
· 寻找隐藏在 JavaScript 文件里的信息。
· 所需信息是否存在于其它网站?网站上显示的数据是不是从其它网站上抓取的?

再来一碗 BeautifulSoup

通过属性查找标签

CSS 可以让 HTML 元素呈现出差异化,使那些具有相同修饰元素呈现出不同的样式。

比如一个页面中,小说任务对话都是红色的,任务名称都是绿色的。源代码里的 span 标签,引用了对应的 CSS 属性,如下所示:
"<span class="red">Heavens! what a virulent attack!</span>" replied <span class="green">the prince</span>, not in the least disconcerted by this reception.
我们可以抓出整个页面,然后创建一个 BeautifulSoup 对象:

from urllib.request import urlopen  
from bs4 import BeautifulSoup  
html = urlopen("http://www.pythonscraping.com/pages/warandpeace.html")  
bsObj = BeautifulSoup(html)

通过 BeautifulSoup 对象,我们可以用 find_all 函数抽取只包含在 <span class="green"></span> 标签里的文字,这样就会得到一个人物名称的 Python 列表:

name_list = bsObj.find_all('span', {'class':'green'})  
for name in name_list:      
    print(name.get_text())

代码执行后就会按照《战争与和平》中的人物出场顺序显示所有的人名。这是怎么实现的呢?

之前,我们调用 bsObj.tagName 只能获取页面中的第一个指定的标签。现在,调用 bsObj.find_all(tagName, tagAttributes) 可以获取页面中所有指定的标签,不再只是第一个。

获取人名列表之后,程序遍历列表中所有的名字,然后打印 name.get_text(),就可以把标签中的内容分开显示了。

find() 和 find_all()

这两个函数非常类似,BeautifulSoup 文档里两者的定义是这样的:

find_all(tag, attrs, recursive, text, limit, keywords)  
find(tag, attrs, recursive, text, keywords)

标签参数 tag 前面已经介绍过——你可以传一个标签的名称或者多个标签名称组成的列表做标签参数。

属性参数 attributes 是用一个Python字典封装一个标签的若干属性和对应的属性值。例如,下面这个函数会返回 HTML 文档里红色与绿色两种颜色的 span 标签:

.find_all('span', {'class':{'green', 'red'}})

递归参数 recursive 是一个布尔变量。你想抓取 HTML 文档标签结构里多少层的信息?如果设置为 True,find_all() 就会查找标签参数的所有子标签,以及子标签的子标签。如果设置为 False,find_all() 就只查找文档的一级标签。(默认值为 True)

文本参数 text 有点不同,它是用标签的文本内容去匹配,而不是用标签的属性。假如我们想查找前面网页中包含“the prince”内容的标签数量,我们可以把之前的 find_all() 方法换成下面的代码:

name_list = bsObj.find_all(text='the prince')  
print(len(name_list))

输出结果为“7”。

范围限制参数 limit。find 其实等价于 find_all 的limit 等于 1 时的情形。如果你只对网页中获取的前 n 项结果感兴趣,就可以设置它。但是前几项的结果是按照网页上的顺序排序的。

还有一个关键词参数 keyword,可以让你选择哪些具有指定属性的标签。但是,任何关键词参数能够完成的任务,同样可以用 attrs 解决。

通过标签参数列表传到 .find_all() 里获取一列标签,其实就是一个“或”关系的过滤器。而关键词参数可以让你增加一个“与”关系的过滤器来简化工作。

导航树

获取属性

在网络数据采集时你经常不需要查找标签的内容,而是需要查找标签属性。比如标签 <a> 指向的URL链接包含在 href 属性中,或者 <img> 标签的图片文件包含 src 属性中,这时获取标签属性就变得非常有用了。

对于一个标签对象,可以用下面的代码获取它的全部属性:

myTag.attrs

这行代码返回的是一个 Python 字典对象,可以获取和操作这些属性。比如要获取图片的资源位置 src,可以用下面的代码:

myTag.attrs['src']

lambda 表达式

BeautifulSoup 允许我们把特定函数类型当作 find_all() 函数的参数。唯一的限制条件是这些函数必须把一个标签作为参数且返回结果是布尔类型。 BeautifulSoup 用这个函数来评估它遇到的每个标签对象,最后把评估结果为“真”的标签保留,把其他标签剔除。

例如,下面的代码就是获取有两个属性的标签:

soup.find_all(lambda tag: len(tag.attrs) == 2)
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 206,378评论 6 481
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 88,356评论 2 382
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 152,702评论 0 342
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 55,259评论 1 279
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 64,263评论 5 371
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,036评论 1 285
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,349评论 3 400
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,979评论 0 259
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 43,469评论 1 300
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,938评论 2 323
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,059评论 1 333
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,703评论 4 323
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,257评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,262评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,485评论 1 262
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 45,501评论 2 354
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,792评论 2 345

推荐阅读更多精彩内容

  • 1、获取指定标签内容 2、处理子标签 3、处理兄弟标签 4、父标签处理 5、正则表达式
    VB过得VB阅读 219评论 0 1
  • Spring Cloud为开发人员提供了快速构建分布式系统中一些常见模式的工具(例如配置管理,服务发现,断路器,智...
    卡卡罗2017阅读 134,599评论 18 139
  • 平时很喜欢听歌,不同的心情搭配不同的音乐,不同的氛围伴随不同的旋律,发现音乐对我来说是一个很高频的需求,所以...
    Cuz_Loading阅读 457评论 0 0
  • by:文琪 我遇见你,我记得你,这座城市天生就适合恋爱,你天生就适合我的灵魂。 -杜拉斯 人们大多就年少时期...
    我们USlive阅读 5,486评论 0 1
  • 今天来对雪迪龙,聚光科技,先河环保通过经营,管理,财务,与行业增长来分 从经营来来说雪迪龙这两年有缓慢趋势 总结:...
    西米韬阅读 335评论 0 0