Spider_Man_4 の BeautifulSoup

小程序：扫一扫查出行
【扫一扫了解最新限行尾号】
复制小程序

一介绍

Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间.你可能在寻找 Beautiful Soup3 的文档,Beautiful Soup 3 目前已经停止开发,官网推荐在现在的项目中使用Beautiful Soup 4, 移植到BS4

#安装 Beautiful Souppip install beautifulsoup4#安装解析器Beautiful Soup支持Python标准库中的HTML解析器,还支持一些第三方的解析器,其中一个是 lxml .根据操作系统不同,可以选择下列方法来安装lxml:$ apt-get install Python-lxml$ easy_install lxml$ pip install lxml另一个可供选择的解析器是纯Python实现的 html5lib , html5lib的解析方式与浏览器相同,可以选择下列方法来安装html5lib:$ apt-get install Python-html5lib$ easy_install html5lib$ pip install html5lib

下表列出了主要的解析器,以及它们的优缺点,官网推荐使用lxml作为解析器,因为效率更高. 在Python2.7.3之前的版本和Python3中3.2.2之前的版本,必须安装lxml或html5lib, 因为那些Python版本的标准库中内置的HTML解析方法不够稳定.

解析器	使用方法	优势	劣势
Python标准库	`BeautifulSoup(markup, "html.parser")`	Python的内置标准库执行速度适中文档容错能力强	Python 2.7.3 or 3.2.2)前的版本中文档容错能力差
lxml HTML 解析器	`BeautifulSoup(markup, "lxml")`	速度快文档容错能力强	需要安装C语言库
lxml XML 解析器	`BeautifulSoup(markup, ["lxml", "xml"])` `BeautifulSoup(markup, "xml")`	速度快唯一支持XML的解析器	需要安装C语言库
html5lib	`BeautifulSoup(markup, "html5lib")`	最好的容错性以浏览器的方式解析文档生成HTML5格式的文档	速度慢不依赖外部扩展

中文文档：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.htmlhttp://beautifulsoup.readthedocs.io/zh_CN/latest/

二：基本使用

html_doc = """<html><head><title>The Dormouse's story</title></head><body>The Dormouse's storyOnce upon a time there were three little sisters; and their names were<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;and they lived at the bottom of a well...."""#基本使用：容错处理,文档的容错能力指的是在html代码不完整的情况下,使用该模块可以识别该错误。使用BeautifulSoup解析上述代码,能够得到一个 BeautifulSoup 的对象,并能按照标准的缩进格式的结构输出from bs4 import BeautifulSoupsoup=BeautifulSoup(html_doc,'lxml') #具有容错功能res=soup.prettify() #处理好缩进，结构化显示print(res)

三：遍历文档树

遍历文档树：

1. 获取标签名 name

2. 获取标签属性 attrs

3. 获取标签内容 text,string,strings

4. 嵌套选择 soup.head.title.string

5. 子节点，子孙节点

soup.p.contents # p下所有子节点

soup.p.children # 返回一个迭代器，包含p下所有子节点

soup.p.enumerate

soup.p.descendants # 获取子节点，p下所有标签会被选择出来

6. 父节点，祖先节点

soup.a.parent # 获取a标签的父节点

parents # 找到a标签所有的祖先节点，父亲的父亲，父亲的父亲的父亲...

7. 兄弟节点

soup.a.next_sibling # 下一个兄弟

soup.a.previous_silbing # 上一个兄弟

soup.a.next_sibling # 下面的兄弟们 -->生成器对象

soup.a.previous_silbing # 上面的兄弟们 -->生成器对象

#遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个#1、用法#2、获取标签的名称#3、获取标签的属性#4、获取标签的内容#5、嵌套选择#6、子节点、子孙节点#7、父节点、祖先节点#8、兄弟节点from bs4 import BeautifulSouphtml_doc = """<html><head><title>The Dormouse's story</title></head><body>Once upon a time there were three little sisters; and their names were<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;and they lived at the bottom of a well.The Dormouse's story..."""# 这里使用'lxml'解析器是因为它容错能力强，同时官方也推荐使用lxml解析器。# 容错能力是指在html代码不完整的情况下，使用该模块可以识别该错误。# 使用BeautifulSoup解析上述代码，会得到一个 BeautifulSoup对象，并且可以按照标准的缩进格式结构化输出。soup = BeautifulSoup(html_doc,'lxml')res = soup.prettify() # 自动补齐所有的未闭合标签。自己会处理好缩进。# print(res)# 遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个# 整个文档中，找到你想要的一个标签。# print(soup.a) # .的话，是按标签名查找。只找第一个# print(soup.a.text) # 文本# print(soup.a.attrs) # 所有属性，是字典格式# print(soup.p.b) # p下面的儿子，孙子，重孙子一层层找，只找一个# print(soup.p.contents) # 将所有儿子放在一个列表里# print(soup.p.children) # 生成器# print(list(soup.p.children))# print(list(soup.p.descendants)) # 子子孙孙也是生成器## print(soup.a.parent) # 塔爹# # print(list(soup.a.parents)) # 找到a标签所有的祖先节点，父亲的父亲，父亲的父亲的父亲...print(soup.a.next_sibling) # 下一个兄弟print(soup.a.previous_sibling) # 上一个兄弟print(list(soup.a.next_siblings)) # 下面的兄弟们，返回的是一个生成器对象print(list(soup.a.previous_siblings)) # 上面的兄弟们，返回的是一个生成器对象"""输出结果：<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>Elsie{'href': 'http://example.com/elsie', 'class': ['sister'], 'id': 'link1'}None['Once upon a time there were three little sisters; and their names were\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>, ' and\n', <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>, ';\nand they lived at the bottom of a well.']<list_iterator object at 0x1025b15c0>['Once upon a time there were three little sisters; and their names were\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>, ' and\n', <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>, ';\nand they lived at the bottom of a well.']['Once upon a time there were three little sisters; and their names were\n', <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, 'Elsie', ',\n', <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, 'Lacie', ' and\n', <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>, 'Tillie', ';\nand they lived at the bottom of a well.']Once upon a time there were three little sisters; and their names were<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;and they lived at the bottom of a well.,Once upon a time there were three little sisters; and their names were[',\n', <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, ' and\n', <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>, ';\nand they lived at the bottom of a well.']['Once upon a time there were three little sisters; and their names were\n']"""

#遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个 #1、用法 #2、获取标签的名称 #3、获取标签的属性 #4、获取标签的内容 #5、嵌套选择 #6、子节点、子孙节点 #7、父节点、祖先节点 #8、兄弟节点 #遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个 html_doc = """ <html><head><title>The Dormouse's story</title></head> <body> The Dormouse's story Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>, <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; and they lived at the bottom of a well. ... """ #1、用法 from bs4 import BeautifulSoup soup=BeautifulSoup(html_doc,'lxml') # soup=BeautifulSoup(open('a.html'),'lxml') print(soup.p) #存在多个相同的标签则只返回第一个 print(soup.a) #存在多个相同的标签则只返回第一个 #2、获取标签的名称 print(soup.p.name) #3、获取标签的属性 print(soup.p.attrs) #4、获取标签的内容 print(soup.p.string) # p下的文本只有一个时，取到，否则为None print(soup.p.strings) #拿到一个生成器对象, 取到p下所有的文本内容 print(soup.p.text) #取到p下所有的文本内容 for line in soup.stripped_strings: #去掉空白 print(line) ''' 如果tag包含了多个子节点,tag就无法确定 .string 方法应该调用哪个子节点的内容, .string 的输出结果是 None，如果只有一个子节点那么就输出该子节点的文本，比如下面的这种结构，soup.p.string 返回为None,但soup.p.strings就可以找到所有文本 哈哈哈哈 <a class='sss'> <h1>aaaa</h1> </a> bbbbb ''' #5、嵌套选择 print(soup.head.title.string) print(soup.body.a.string) #6、子节点、子孙节点 print(soup.p.contents) #p下所有子节点 print(soup.p.children) #得到一个迭代器,包含p下所有子节点 for i,child in enumerate(soup.p.children): print(i,child) print(soup.p.descendants) #获取子孙节点,p下所有的标签都会选择出来 for i,child in enumerate(soup.p.descendants): print(i,child) #7、父节点、祖先节点 print(soup.a.parent) #获取a标签的父节点 print(soup.a.parents) #找到a标签所有的祖先节点，父亲的父亲，父亲的父亲的父亲... #8、兄弟节点 print('=====>') print(soup.a.next_sibling) #下一个兄弟 print(soup.a.previous_sibling) #上一个兄弟 print(list(soup.a.next_siblings)) #下面的兄弟们=>生成器对象 print(soup.a.previous_siblings) #上面的兄弟们=>生成器对象

code

四：搜索文档树

搜索文档树：

beautifulsoup定义了很多搜索方法，这里着重介绍

find() & find_all() ，其他方法的参数和用法类似

五种过滤器：字符串、正则、正则表达式、列表、True、方法

# 遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个 import re from bs4 import BeautifulSoup # html_doc = """ # <html><head><title>The Dormouse's story</title></head> # <body> # # Once upon a time there were three little sisters; and their names were # <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>, # <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and # <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; # and they lived at the bottom of a well. # # The Dormouse's story # ... # """ # # # soup = BeautifulSoup(html_doc,'lxml') # res = soup.prettify() # 一：五种过滤器：字符串，正则表达式，列表，True,方法 # 1：字符串过滤器 # 标签名 # print(soup.find()) # 全部 # soup.find_all(name='a') # 找所有的标签, 使用字符串匹配标签名。特点：完全匹配 # soup.find_all(attrs={'class':'sister'}) # 找所有的标签, 使用字符串匹配标签名。特点：完全匹配 # print(soup.find_all(name='b',text="Dormouse")) # 匹配不到，因为text不完整。不能模糊匹配。 # # 2：正则 # soup.find_all(name=re.compile('^b')) # compile 编译按标签查找 # soup.find_all(attrs={'id':re.compile('link')}) # compile 编译 # 3：列表过滤器列表：任意一个标签都会返回 # 如果传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回. # 下面代码找到文档中所有<a>标签和标签: # print(soup.find_all(['a','b'])) # 4：True：可以匹配任何值，会查找到所有的tag，但是不会返回字符串节点。 # print(soup.find_all(True)) # for tag in soup.find_all(True): # print(tag.contents) # print(tag.text) # print(tag) # 5：方法 # 用于没有找到合适过滤器，就可以定义一个方法，方法只接受一个元素参数。 # 如果该方法，返回一个True，表示当前元素被匹配并被找到，如果不是则返回False。 # def has_class_but_no_id(tag): # return tag.has_attr('class') and not tag.has_attr('id') # print(soup.find_all(has_class_but_no_id)) """ has_class_but_no_id: [Once upon a time there were three little sisters; and their names were <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>; and they lived at the bottom of a well., The Dormouse's story, ...] """ # recursive = True # 当前标签下的子子孙孙 # recursive = False # 当前标签下的儿子 # 二：find_all(name,attrs,recursive,text,**kwargs) # 2.1 name参数是可以使用任何一种类型的过滤器，（字符串，True，正则，列表） # print(soup.find_all(name=re.compile('^t'))) # 2.2 keyword：key=value格式, value可以是过滤器（字符串，True，正则，列表）。 # print(soup.find_all(id=re.compile('my'))) # print(soup.find_all(href=re.compile('lacie'),id=re.compile('\d'))) #注意类要用class_ # print(soup.find_all(id=True)) #查找有id属性的标签 # 2.2.1 注意事项：！！ # 有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性: # data_soup = BeautifulSoup('<div data-foo="value">foo!</div>','lxml') # data_soup.find_all(data-foo="value") #报错：SyntaxError: keyword can't be an expression # 但是可以通过 find_all() 方法的 attrs 参数定义一个字典参数来搜索包含特殊属性的tag: # print(data_soup.find_all(attrs={"data-foo": "value"})) # [<div data-foo="value">foo!</div>] # 2.3 按照类名查找，注意关键字是class_，class_=value,value可以是五种选择器之一 # print(soup.find_all('a',class_='sister')) #查找类为sister的a标签 # print(soup.find_all('a',class_='sister ssss')) #查找类为sister和sss的a标签，顺序错误也匹配不成功 # print(soup.find_all(class_=re.compile('^sis'))) #查找类为sister的所有标签 # 2.4 attrs # print(soup.find_all('p',attrs={'class':'story'})) # 2.5 text: 值可以是：字符，列表，True，正则 # print(soup.find_all(text='Elsie')) # print(soup.find_all('a',text='Elsie')) # # # 2.6 limit参数:如果文档树很大那么搜索会很慢.如果我们不需要全部结果,可以使用 limit 参数限制返回结果的数量.效果与SQL中的limit关键字类似,当搜索到的结果数量达到 limit 的限制时,就停止搜索返回结果 # print(soup.find_all('a',limit=2)) # # # 2.7 recursive:调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False . # print(soup.html.find_all('a')) # print(soup.html.find_all('a',recursive=False)) ''' 像调用 find_all() 一样调用tag find_all() 几乎是Beautiful Soup中最常用的搜索方法,所以我们定义了它的简写方法. BeautifulSoup 对象和 tag 对象可以被当作一个方法来使用,这个方法的执行结果与调用这个对象的 find_all() 方法相同,下面两行代码是等价的: soup.find_all("a") soup("a") 这两行代码也是等价的: soup.title.find_all(text=True) soup.title(text=True) ''' # 三：find(name , attrs , recursive , text , **kwargs) # 你可能会想，既然已经有了find_all()了，我干嘛还要find。 # find_all() 方法将返回文档中符合条件的所有tag,尽管有时候我们只想得到一个结果. # 比如文档中只有一个<body>标签,那么使用 find_all() 方法来查找<body>标签就不太合适, # 使用 find_all 方法并设置 limit=1 参数不如直接使用 find() 方法.下面两行代码是等价的: # soup.find_all('title', limit=1) # [<title>The Dormouse's story</title>] # soup.find('title') # <title>The Dormouse's story</title> # 唯一的区别是 find_all() 方法的返回结果是值包含一个元素的列表,而 find() 方法直接返回结果. # find_all() 方法没有找到目标是返回空列表, find() 方法找不到目标时,返回 None . # print(soup.find("nosuchtag")) # None # soup.head.title 是 tag的名字方法的简写.这个简写的原理就是多次调用当前tag的 find() 方法: # # soup.head.title # <title>The Dormouse's story</title> # soup.find("head").find("title") # <title>The Dormouse's story</title> # 四：css选择器 # 该模块提供了select方法来支持css。 #该模块提供了select方法来支持css, # 详见官网:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#id37 html_doc = """ <html><head><title>The Dormouse's story</title></head> <body> The Dormouse's story Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1"> Elsie </a> <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; <div class='panel-1'> <ul class='list' id='list-1'> <li class='element'>Foo</li> <li class='element'>Bar</li> <li class='element'>Jay</li> </ul> <ul class='list list-small' id='list-2'> <li class='element'><h1 class='yyyy'>Foo</h1></li> <li class='element xxx'>Bar</li> <li class='element'>Jay</li> </ul> </div> and they lived at the bottom of a well. ... """ from bs4 import BeautifulSoup soup=BeautifulSoup(html_doc,'lxml') # 4.1 CSS选择器 # print(soup.p.select('.sister')) # 找类名为sister的标签 # print(soup.select('.sister span')) # 找类名为sister的标签下面的span标签 # print(soup.select('#link1')) # 找id为link1的标签 # print(soup.select('#link1 span')) # 找id为link1的标签下面的span标签 # print(soup.select('#list-2 .element.xxx'))# 找id为link-2的标签下面的类名为element xxx的标签 # # print(soup.select('#list-2')[0].select('.element')) #可以一直select,但其实没必要,一条select就可以了 # # # 4.2 获取属性 # print(soup.select('#list-2 h1')[0].attrs) # # # 4.3 获取内容 # print(soup.select('#list-2 h1')[0].get_text()) # 总结: #1、推荐使用lxml解析库 #2、讲了三种选择器:标签选择器,find与find_all，css选择器 # 1、标签选择器筛选功能弱,但是速度快 # 2、建议使用find,find_all查询匹配单个结果或者多个结果 # 3、如果对css选择器非常熟悉建议使用select #3、记住常用的获取属性attrs和文本值get_text()的方法