Python 爬虫网页元素定位术，就在这篇博客中

最近更新：2022 年 4 月 3 日，橡皮擦的第 <font color=red>607</font> 篇原创博客 @[toc]

⛳️ 实战场景

初学 Python 爬虫，十之八九你采集的目标是网页，因此快速定位到网页内容，就成为你面临的第一道障碍，本篇博客就为你详细说明最易上手的网页元素定位术，学完就会系列。

最近补充了一系列 Python 爬虫基础内容，希望大家跟上节奏，奏乐，舞起来。

本文核心使用到的是 Beautiful Soup 模块，因此我们用来做测试采集的站点，也是其官网（现阶段爬虫采集越来越严格，很多站点不能在采集了，很容易被封杀，只能学谁就采集谁了）

官方站点

www.crummy.com/software/BeautifulSoup/

Beautiful Soup 在 Python 爬虫圈知名度极高，而且非常好用，它是一款 Python 解析库，主要用于将 HTML 标签转换为 Python 对象树，然后让我们从对象树中提取数据。

模块的安装及其简单：

pip install bs4 -i 国内任意源即可

未来安装任何模块，都尽量使用国内源，速度快稳定。

该模块包名称为 bs4，安装的时候需要特别注意下。

🥇 基础用法如下所示

import requestsfrom bs4 import BeautifulSoup

def ret_html():    """获取HTML元素"""    res = requests.get('https://www.crummy.com/software/BeautifulSoup/', timeout=3)    return res.text

if __name__ == '__main__':    html_str = ret_html()    soup = BeautifulSoup(html_str, 'lxml')    print(soup)

其中需要注意的就是模块导入代码，以及实例化 soup 对象时，在 BeautifulSoup 类的构造函数中传递的两个参数，一个是待解析的字符串，另一个是解析器，官方建议的是 lxml，因其解析速度快。

上述代码输出的内容如下所示，看上去就是普通的 HTML 代码文件。

而且我们可以调用 soup 对象的 soup.prettify() 方法，可以将 HTML 标签进行格式化操作，这样你就可以在存储到外部文件的时候，让其 HTML 代码进行美观。

⛳️ BeautifulSoup 模块的对象说明

BeautifulSoup 类可以将 HTML 文本解析成 Python 对象树，而这里面又包括最重要的四种对象，分别是 Tag，NavigableString，BeautifulSoup，Comment 对象，接下来我们一一介绍。

🥇BeautifulSoup 对象

该对象本身就代表整个 HTML 页面，而且实例化该对象的时候，还会自动补齐 HTML 代码。

    html_str = ret_html()    soup = BeautifulSoup(html_str, 'lxml')    print(type(soup))

🥇Tag 对象

Tag 是标签的意思，Tag 对象就是网页标签，或者叫做网页元素对象，例如获取 bs4 官网的 h1 标签对象，代码如下所示：

if __name__ == '__main__':    html_str = ret_html()    soup = BeautifulSoup(html_str, 'lxml')    # print(soup.prettify())  # 格式化 HTML
    print(soup.h1)

得到的也是网页中的 h1 标签：

<h1>Beautiful Soup</h1>

用 Python 中的 type 函数，可以查看其类型，代码如下：

    print(soup.h1)    print(type(soup.h1))

此时得到的可不是一个字符串，而是一个 Tag 对象。

<h1>Beautiful Soup</h1><class 'bs4.element.Tag'>

既然是 Tag 对象，那就会具备一些特定的属性值

获取标签名称

    print(soup.h1)    print(type(soup.h1))    print(soup.h1.name)  # 获取标签名称

通过 Tag 对象获取标签的属性值

    print(soup.img)  # 获取网页第一个 img 标签    print(soup.img['src'])  # 获取网页元素DOM的属性值

通过 attrs 属性获取标签的所有属性

    print(soup.img)  # 获取网页第一个 img 标签
    print(soup.img.attrs)  # 获取网页元素的所有属性值，以字典形式返回

以上代码的所有输出如下所示，可以任意选择标签进行练习。

<h1>Beautiful Soup</h1><class 'bs4.element.Tag'>h1<img align="right" src="10.1.jpg" width="250"/>{'align': 'right', 'src': '10.1.jpg', 'width': '250'}

🥇NavigableString 对象

NavigableString 对象获取的是标签内部的文字内容，例如 p 标签，在下述代码中提取的是 我是橡皮擦

<p>我是橡皮擦</p>

获取该对象也非常容易，使用 Tag 对象的 string 属性即可。

    nav_obj = soup.h1.string    print(type(nav_obj))

输出结果如下所示

<class 'bs4.element.NavigableString'>

如果目标标签是一个单标签，会获取到 None 数据

除了使用对象的 string 方法外，还可以使用 text 属性和 get_text() 方法来获取标签内容

    print(soup.h1.text)    print(soup.p.get_text())    print(soup.p.get_text('&'))

其中 text 是获取所有子标签内容的合并字符串，而 get_text() 也是相同的效果，不过使用 get_text() 可以增加一个分隔符，例如上述代码的 & 符号，还可以使用，strip=True 参数去除空格。

🥇Comment 对象

获取网页注释内容，用处不大，忽略即可。

BeautifulSoup 对象和 Tag 对象支持标签查找方法，具体内容如下所示。

⛳️ find() 方法和 find_all() 方法

调用 BeautifulSoup 对象和 Tag 对象的 find() 方法，可以在网页中找到指定对象，该方法的语法格式如下：

obj.find(name,attrs,recursive,text,**kws)

方法的返回结果是查找到的第一个元素，如果没查询到，返回 None。参数说明如下：

• name：标签名称；

• attrs：标签属性；

• recursive：默认搜索所有后代元素；

• text：标签内容。

例如我们继续在上文请求的网页中，查找 a 标签，代码如下：

html_str = ret_html()soup = BeautifulSoup(html_str, 'lxml')print(soup.find('a'))

也可以使用 attrs 参数进行查找，代码如下：

html_str = ret_html()soup = BeautifulSoup(html_str, 'lxml')# print(soup.find('a'))print(soup.find(attrs={'class': 'cta'}))

find() 方法还提供了一些特殊的参数，便于直接查找，例如可以使用 id=xxx，查找属性中包含 id 的标签，可以使用 class_=xxx，查找属性中包含 class 的标签。

print(soup.find(class_='cta'))

与 find() 方法成对出现的是 find_all() 方法，看名称就能知道其返回结果收是全部匹配标签，语法格式如下：

obj.find_all(name,attrs,recursive,text,limit)

其中重点说明一下 limit 参数，它表示最多返回的匹配数量，find() 方法可以看作 limit=1，这样就变得容易理解了。

📣📣📣📣📣📣🌻 本文如果发现错误，欢迎在评论区中指正哦 💗