從零開始寫Python爬蟲 --- 1.3 BS4庫的解析器
bs4庫之所以能快速的定位我們想要的元素，是因為他能夠用一種方式將html文件解析了一遍 ，不同的解析器有不同的效果。下文將一一進行介紹。
bs4解析器的選擇
網路爬蟲的最終目的就是過濾選取網路信息，最重要的部分可以說是解析器。解析器的優劣決定了爬蟲的速度和效率。bs4庫除了支持我們上文用過的『html.parser』解析器外，還支持很多第三方的解析器，下面我們來對他們進行對比分析。
bs4庫官方推薦我們使用的是lxml解析器，原因是它具有更高的效率，所以我們也將採用lxml解析器。
lxml解析器的安裝：
- 依舊採用pip安裝工具來安裝：
pip install lxmln注意，由於我用的是unix類系統，用pip工具十分的方便，但是如果在windows下安裝，總是會出現這樣或者那樣的問題，這裡推薦win用戶去lxml官方，下載安裝包，來安裝適合自己系統版本的lxml解析器。
使用lxml解析器來解釋網頁
我們依舊以上一篇的 愛麗絲文檔 為例子
html_doc = """n<html><head><title>The Dormouses story</title></head>n<body>n<p class="title"><b>The Dormouses story</b></p>nn<p class="story">Once upon a time there were three little sisters; and their names weren<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,n<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> andn<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;nand they lived at the bottom of a well.</p>nn<p class="story">...</p>n"""n
試一下吧：
import bs4nnn#首先我們先將html文件已lxml的方式做成一鍋湯nsoup = bs4.BeautifulSoup(open(Beautiful Soup 爬蟲/demo.html),lxml)nn#我們把結果輸出一下，是一個很清晰的樹形結構。n#print(soup.prettify())nnnOUT:nn<html>n <head>n <title>n The Dormouses storyn </title>n </head>n <body>n <p class="title">n <b>n The Dormouses storyn </b>n </p>n <p class="story">n Once upon a time there were three little sisters; and their names weren <a class="sister" href="http://example.com/elsie" id="link1">n Elsien </a>n ,n <a class="sister" href="http://example.com/lacie" id="link2">n Lacien </a>n andn <a class="sister" href="http://example.com/tillie" id="link3">n Tillien </a>n ;nand they lived at the bottom of a well.n </p>n <p class="story">n ...n </p>n </body>n</html>nn
如何具體的使用？
bs4 庫首先將傳入的字元串或文件句柄轉換為 Unicode的類型，這樣，我們在抓取中文信息的時候，就不會有很麻煩的編碼問題了。當然，有一些生僻的編碼 如：『big5』，就需要我們手動設置編碼：
soup = BeautifulSoup(markup, from_encoding="編碼方式")
對象的種類：
bs4 庫將複雜的html文檔轉化為一個複雜的樹形結構，每個節點都是Python對象 ，所有對象可以分為以下四個類型：Tag , NavigableString , BeautifulSoup , Comment
我們來逐一解釋：- Tag： 和html中的Tag基本沒有區別，可以簡單上手使用
- NavigableString： 被包裹在tag內的字元串
- BeautifulSoup： 表示一個文檔的全部內容，大部分的時候可以吧他看做一個tag對象，支持遍歷文檔樹和搜索文檔樹方法。
- Comment：這是一個特殊的NavigableSting對象，在出現在html文檔中時，會以特殊的格式輸出，比如注釋類型。
搜索文檔樹的最簡單的方法就是搜索你想獲取tag的的name：
soup.headn# <head><title>The Dormouses story</title></head>nnsoup.titlen# <title>The Dormouses story</title>n
如果你還想更深入的獲得更小的tag：例如我們想找到body下的被b標籤包裹的部分
soup.body.bn# <b>The Dormouses story</b>n
但是這個方法只能找到按順序第一個出現的tag
獲取所有的標籤呢？
這個時候需要find_all()方法，他返回一個列表類型
tag=soup.find_all(a)n# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,n# <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>,n# <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]nn#假設我們要找到a標籤中的第二個元素：nneed = tag[1]n#簡單吧n
tag的.contents屬性可以將tag的子節點以列表的方式輸出：
head_tag = soup.headnhead_tagn# <head><title>The Dormouses story</title></head>nnhead_tag.contentsn[<title>The Dormouses story</title>]ntitle_tag = head_tag.contents[0]nprint(title_tag)n# <title>The Dormouses story</title>ntitle_tag.contentsn# [uThe Dormouses story]n
- 另外通過tag的 .children生成器，可以對tag的子節點進行循環：
for child in title_tag.children:n print(child)n # The Dormouses storyn
- 這種方式只能遍歷出子節點。如何遍歷出子孫節點呢？
子孫節點：比如 head.contents 的子節點是<title>The Dormouses story</title>,這裡 title本身也有子節點：『The Dormouse『s story』 。這裡的『The Dormouse『s story』也叫作head的子孫節點
for child in head_tag.descendants:n print(child)n # <title>The Dormouses story</title>n # The Dormouses storyn
如何找到tag下的所有的文本內容呢？
- 如果該tag只有一個子節點（NavigableString類型）：直接使用tag.string就能找到。
- 如果tag有很多個子、孫節點，並且每個節點裡都string：
我們可以用迭代的方式將其全部找出：
for string in soup.strings:n print(repr(string))n # u"The Dormouses story"n # unnn # u"The Dormouses story"n # unnn # uOnce upon a time there were three little sisters; and their names werenn # uElsien # u,nn # uLacien # u andnn # uTillien # u;nand they lived at the bottom of a well.n # unnn # u...n # unn
好了，關於bs4庫的基本使用，我們就先介紹到這。剩下來的部分：
父節點、兄弟節點、回退和前進，都與上面從子節點找元素的過程差不多想要具體了解可以去看一下官方文檔每天的學習記錄都會 同步更新到：
微信公眾號： findyourownway知乎專欄：從零開始寫Python爬蟲 - 知乎專欄blog ： www.ehcoblog.ml
推薦閱讀：