Python使用Beautiful Soup爬取豆瓣音乐排行榜过程解析

Python使用Beautiful Soup爬取豆瓣音乐排行榜过程解析

2024-12-29 05:04

前言

要想学好爬虫，必须把基础打扎实，之前发布了两篇文章，分别是使用XPATH和requests爬取网页，今天的文章是学习Beautiful Soup并通过一个例子来实现如何使用Beautiful Soup爬取网页。

什么是Beautiful Soup

Beautiful Soup是一款高效的Python网页解析分析工具，可以用于解析HTL和XML文件并从中提取数据。
Beautiful Soup输入文件的默认编码是Unicode，输出文件的编码是UTF-8。
Beautiful Soup具有将输入文件自动补全的功能，如果输入的HTML文件的title标签没有闭合，则在输出的文件中会自动补全</title>，并且还可以将格式混乱的输入文件按照标准的缩进格式输出。

Beautiful Soup要和其他的解析器搭配使用，例如Python标准库中的HTML解析器和其他第三方的lxml解析器，由于lxml解析器速度快、容错能力强，因此一般和Beautiful Soup搭配使用。

初始化Beautiful Soup对象的代码：

只需把第二个参数写成”lxml”即可使用lxml解析器初始化Beautiful Soup对象。

Beautiful Soup提供了三种选择器用去爬取节点中的数据，分别是节点选择器、方法选择器和CSS选择器。下面分别介绍着三个选择器的用法。

节点选择器：

HTML网页有title、p、a、head、tr、td等节点。通过Beautiful Soup对象+”.”+节点即可直接访问到节点。 Beautiful Soup对象+”.”+节点+”.”+string即可提取到节点的文本信息。

用法描述 soup.title 选择第一个title节点 soup.title.string 提取第一个title节点的文本信息 soup.title.attrs 获取第一个title节点的所有属性，返回的结果的词典。
如果有class属性，则class属性返回的是list，class属性之间以空格当做分隔符 soup.p.contents 获取第一个p节点的所有直接子节点。
该方法返回的是第一个p节点中包含的所有直接子字节点和文本，
不包含孙节点，两个节点之间的文本也当做是一个节点返回。
返回的结果是列表 soup.p.children 返回第一个p节点的所有直接子节点，返回的结果是list_iterator对象 soup.p.descendants 获取第一个p节点的所有子孙节点 soup.a.parent 获取第一个a节点的父节点 soup.a.parents 获取第一个a节点的所有祖先节点 soup.p.next_siblings 获取第一个p节点的下一个兄弟节点 soup.p.previous_siblings 获取第一个p节点的上一个兄弟节点

方法选择器：

根据传入的参数查找符合条件的节点。下面是方法选择器提供的方法：

方法描述 find_all(name,attrs,recursive,text,**kwargs) 根据传入参数查找所有符合条件的节点，
name是节点名，attrs属性值，text文本内容等。
text参数可以是字符串，也可以是正则表达式:
soup.find_all(text=re.compile(‘test')) find(name,attrs,recursive,text,**kwargs) 返回第一个符合条件的节点 find_parents() 返回所有祖先节点 find_parent() 返回父节点 find_next_siblings() 往后查找，所有兄弟节点 find_next_sibling() 往后查找，返回第一个兄弟节点 find_previous_siblings() 往前查找，返回所有兄弟节点 find_previous_sibling() 往前查找，返回第一个兄弟节点

在使用上面的方法时，如果参数中有Python的关键字，则需要在参数下面加一个下划线，例如下面的代码，class是Python的关键字，必须在class后加下划线class_=”title_class”：

CSS选择器：

BeautifulSoup还支持获取css元素，例如ul、div、li等元素。CSS选择器主要提供select()方法获取符合条件的节点(Tag对象)，然后通过节点的get_text()方法和text属性可以获取该节点的文本值。

select方法还可以根据css的样式规则选择相应的节点：

下面使用Beautiful Soup爬取豆瓣音乐排行榜。在浏览器中打开豆瓣音乐排行榜，打开浏览器，输入网址：https://music.douban.com/chart，我们要抓取的是每首歌曲的排名、歌曲名、演唱者、播放次数、上榜天数等数据。

下面分析怎么通过beautiful soup抓取到我们的数据。通过开发者工具，我们可以看到所有歌曲是在class为article的div中，然后每首个在class为clearfix的li中。

因此首先使用css选择器获取到class为article下面的所有li节点：

然后查看每首歌曲的html代码：

红色框部分是一首歌的html代码。歌曲排名在class为“gree-num-box”的span节点中，因为span节点是<li class="clearfix">节点的子节点，获取排名的代码为：li.span.text

绿色框中A节点中是歌曲的链接和图片链接，获取歌曲链接的代码为：li.a['href']

蓝色框中是歌曲的名字、演唱者和播放次数，歌曲名是在class=”icon-play”的H3节点中，因此可以使用方法选择器中的find()方法获取到H3节点，然后获取H3节点下面a节点中的文本信息就是歌曲的名字，代码为：

获取演唱者和播放次数的代码为：

获取上榜天数的代码为：

在豆瓣音乐排行榜的页面一个现实20首歌曲，前面10首歌曲会有图片，后面10首歌曲是没有图片的，因此后面10首歌曲将不获取图片的地址。

另外还有一点需要注意的是，后面10首歌曲的演唱者和播放次数是在class=”icon-play”的p节点中：

而该节点中有a节点，要想获取a节点外的信息，必须使用节点选择器的contents方法： li.find(class_="intro").p.contents[2].strip() contents返回的是p节点的直接子节点，以列表的形式返回，这里返回列表中有3个元素，分别是<p>后的字符串，a节点、演唱者/播次数。contents会将直接子节点之间的换行符也当做一个元素。代码整理后如下：

本文通过爬取豆瓣音乐排行榜的小项目学习了如何使用Beautiful Soup的节点选择器、方法选择器、CSS选择器来爬取一个网页。这三个选择器可以混合搭配使用。