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)