Python爬虫-解析-bs4

BeautifulSoup，和lxml一样，是一个html的解析器，主要功能也是解析和提取数据

缺点：效率没有lxml的效率高
优点：接口设计人性化，使用方便

服务器响应的文件生成对象
soup = BeautifulSoup(response.read().decode(‘utf-8’), ‘lxml’)
本地文件生成对象
soup = BeautifulSoup(open(‘1.html’), ‘lxml’)
注意：默认打开文件的编码格式gbk所以需要指定打开编码格式

# 找到的是第一个符合条件的数据
print(soup.a)
# 获取标签的属性和属性值
print(soup.a.attrs)

（1）find
返回的是第一个符合条件的数据
print(soup.find('a'))

根据title的值来找到对应的标签对象
print(soup.find('a',title="a2"))

根据class的值来找到对应的标签对象  注意的是class需要添加下划线
print(soup.find('a',class_="a1"))


（2）find_all  返回的是一个列表 并且返回了所有的a标签
print(soup.find_all('a'))

如果想获取的是多个标签的数据 那么需要在find_all的参数中添加的是列表的数据
print(soup.find_all(['a','span']))

limit的作用是查找前几个数据
print(soup.find_all('li',limit=2))


（3）select（推荐）
select方法返回的是一个列表  并且会返回多个数据
print(soup.select('a'))

可以通过.代表class  我们把这种操作叫做类选择器
print(soup.select('.a1'))

print(soup.select('#l1'))

查找到li标签中有id的标签
print(soup.select('li[id]'))

查找到li标签中id为l2的标签
print(soup.select('li[id="l2"]'))

后代选择器
找到的是div下面的li
print(soup.select('div li'))

子代选择器
 某标签的第一级子标签
注意：很多的计算机编程语言中 如果不加空格不会输出内容  但是在bs4中 不会报错 会显示内容
print(soup.select('div > ul > li'))

print(soup.select('a,li'))

obj = soup.select('#d1')[0]
如果标签对象中 只有内容 那么string和get_text()都可以使用
如果标签对象中 除了内容还有标签 那么string就获取不到数据 而get_text()是可以获取数据
我们一般情况下  推荐使用get_text()
print(obj.string)
print(obj.get_text())

obj = soup.select('#p1')[0]
name是标签的名字
print(obj.name)
将属性值左右一个字典返回
print(obj.attrs)

obj = soup.select('#p1')[0]

print(obj.attrs.get('class'))
print(obj.get('class'))
print(obj['class'])

由于xpath的插件相对方便，所以先用xpath语法，再转换成bs4语法。

import urllib.request
from bs4 import BeautifulSoup

url='https://www.starbucks.com.cn/menu/'

response=urllib.request.urlopen(url)

content=response.read().decode('utf-8')

soup=BeautifulSoup(content,'lxml')

#//ul[@]//strong/text()
name_list=soup.select('ul[] strong')

for i in name_list:
    print(i.string)

注意用select选择器这里不能写('.grid padded-3 product strong')

这里报错的原因是: class=“grid padded-3 product”这里 class 表示的不是单个类名，而是有3个类名空格在选择器中，属于后代选择器，而3个类并不存在层级关系