BeautifulSoup是一个可以从HTML或者XML文件中提取数据的Python库，它通过解析器把文档解析为利于人们理解的文档导航模式，有利于查找和修改文档。

BeautifulSoup3目前已经停止开发，现在推荐使用BeautifulSoup4，它被移植到了bs4中。

# 使用时需要导入

from bs4 import BeautifulSoup

解析器

BeautifulSoup4中常用4种主要的解析器，使用前需要安装：

#不同系统安装方法

$ apt-get install Python-lxml

$ easy_install lxml

$ pip install lxml

# pycharm中安装可以先import xxx，显示有错误然后点击安装，安装后删除import语句，即可正常使用
解析器的优缺点对比
解析器 使用方法 优势 劣势
Python标准库

BeautifulSoup(DocumentName, "html.parser")
  • Python的内置标准库
  • 不需要单独安装
  • 执行速度适中
  • 文档容错能力强
 Python 2.7.3 or 3.2.2前的班中文容错能力差
lxml HTML解析器 BeautifulSoup(DocumentName, "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(DocumentName, "xml")

BeautifulSoup(DocumentName, ["lxml","xml"])
  • 速度快
  • 唯一支持XML的解析器
 需要安装C语言库
html5lib BeautifulSoup(DocumentName, "html5lib")
  • 最好的容错
  • 以浏览器的方式解析文档
  • 生成HTML5格式的文档
 速度慢，需要依赖python库

不同解析器的解析结果：

# 符合HTML标准的解析结果
htmldoc = "<a><p></p></a>"

print("None        :",BeautifulSoup(htmldoc))

print("html.parser :", BeautifulSoup(htmldoc, "html.parser"))

print("lxml        :", BeautifulSoup(htmldoc, "lxml"))

print("xml         :", BeautifulSoup(htmldoc, "lxml-xml"))

print("html5lib    :", BeautifulSoup(htmldoc, "html5lib"))

"""

结果为：

None        : <html><body><a><p></p></a></body></html>

html.parser : <a><p></p></a>

lxml        : <html><body><a><p></p></a></body></html>

xml         : <?xml version="1.0" encoding="utf-8"?>

              　　<a><p/></a>

html5lib    : <html><head></head><body><a><p></p></a></body></html>

"""
# 不符合HTML标准的解析结果

htmldoc = "<a></p></a>"

print("None        :",BeautifulSoup(htmldoc))

print("html.parser :", BeautifulSoup(htmldoc, "html.parser"))

print("lxml        :", BeautifulSoup(htmldoc, "lxml"))

print("xml         :", BeautifulSoup(htmldoc, "lxml-xml"))

print("html5lib    :", BeautifulSoup(htmldoc, "html5lib"))

"""

结果为：

None        : <html><body><a></a></body></html>

html.parser : <a></a>

lxml        : <html><body><a></a></body></html>

xml         : <?xml version="1.0" encoding="utf-8"?>

　　　　　　　　　　<a/>

html5lib    : <html><head></head><body><a><p></p></a></body></html>

"""

html5lib会把所有的标签不全，并且加上html、head、body，标准的html格式；默认、html.parser、lxml 解析器会把错误标签忽略掉。

编码

任何HTML或者XML文档都有自己的编码方式，但使用BeautifulSoup解析后，文档都会被转换为Unicode，输出时编码均为UTF-8。

因为BeautifulSoup用来编码自动检测库来识别当前文档的编码，并自动转换为Unicode编码。但也有小概率会识别出错，可以用.original_encoding来检测编码格式。

并且设置from_encoding参数可以提高文档的解析速度。

htmldoc = b"<h1>\xed\xe5\xec\xf9</h1>"

soup = BeautifulSoup(htmldoc, from_encoding="iso-8859-8")

print(soup.h1)

print(soup.original_encoding)

"""

结果：

<h1>םולש</h1>

'iso8859-8'

"""

指定输出编码：



htmldoc = b"<h1>\xed\xe5\xec\xf9</h1>"

soup = BeautifulSoup(htmldoc, from_encoding="iso-8859-8")
print(soup.prettify("latin-1"))


"""
结果：
b'<h1>\n νεμω\n</h1>'

"""




遍历文档树：


1. 注释<class 'bs4.element.Comment'> 和 替换Comment内容




htmldoc = "<b><!--Hey, buddy. Want to buy a used parser?--></b>"

soup = BeautifulSoup(htmldoc)

comment = soup.b.string

print(comment)

print(type(comment))

print(soup2.b)

print(soup2.b.prettify()) #comment特色输出方式

# 替换Comment

cdata= CData("A CData block")

comment.replace_with(cdata)

print(soup2.b.prettify())

"""

结果：

Hey, buddy. Want to buy a used parser?

<class 'bs4.element.Comment'>

<b><!--Hey, buddy. Want to buy a used parser?--></b>

<b>

 <!--Hey, buddy. Want to buy a used parser?-->

</b>

<b>

<![CDATA[A CData block]]>

</b>

"""




CData使用时需要导入 from bs4 import CData


2. soup.tagName  返回类型 <class 'bs4.element.Tag'>，得到文档中第一个tagName标签 ==  soup.find(tagName)




soup.div #得到文章中第一个div标签

soup.a #得到文章中第一个a标签




3. soup.tagName.get_text() / soup.tagName.text 返回类型 <class 'str'>，得到该标签内容，对每个BeautifulSoup处理后的对象都生效。




soup.a.get_text()

soup.a.text




4. soup.tagName.tagName["AttributeName"] 获得标签内属性值，逐级访问标签可以用 . 连接，某个属性值用 ["属性名"] 访问。




soup.div.a['href']




5. soup.ul.contents 返回类型为<class 'list'>，可以用下标访问其中的元素


　list内元素类型为 <class 'bs4.element.Tag'> or <class 'bs4.element.NavigableString'>


　如果是单一标签可以用 string 返回文本，如果超过1个标签就返回None




soup.ul.contents

type(soup.ul.contents) #<class 'list'>

soup.ul.contents[0].string

type(soup.ul.contents[0])




6. find_all(name, attrs, recursice, text, limit, **kwargs)，返回的类型为 <class 'bs4.element.ResultSet'>




# 找到所有标签为tagName的集合

soup.find_all("tagName")

soup.find_all("a")

# 找到所有标签为tagName 且 class=className的集合

soup.find_all("tagName", "className")

soup.find_all("div","Score")

# 找到所有id=idName的标签

soup.find_all(id = "idName")

# 使用多个指定名字的参数可以同时过滤tag的多个属性:

soup.find_all(href = re.compile("else"))

soup.find_all(href=re.compile("elsie"), id='link1')

# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]

# 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>')

data_soup.find_all(data-foo="value")

# SyntaxError: keyword can't be an expression

# 可以用attrs 参数定义一个字典参数来搜索包含特殊属性的tag

data_soup.find_all(attrs={"data-foo": "value"})

# [<div data-foo="value">foo!</div>]

# 找到所有有id的标签

soup.find_all(id = True)

# 找到所有标签为tagName且class = "className"的标签

soup.find_all("tagName", class_ = "className")

# css class参数过滤

soup.find_all(class_=re.compile("itl"))

# [<p class="title"><b>The Dormouse's story</b></p>]

# 通过文本查找文本

soup.find_all(text = "textContent")

soup.find_all(text = ["Content1", "Content2"])

# 文本参数过滤

soup.find_all(text=re.compile("Dormouse"))

# 限制结果个数

soup.find_all("tagName", limit = 2)

elemSet = soup.find_all("div", limit = 2)

# 可循环出每个元素

for item in elemSet:

    print(item)

    print(item.text)




7. 通过 css 选择器查找，返回值 <class 'list'>，list中元素类型为 <class 'bs4.element.Tag'>




htmldoc = """

<html><head><title>The Dormouse's story</title></head>

<p class="title"><b>The Dormouse's story</b></p>

<p class="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.</p>

<p class="story">...</p>

"""

soup = BeautifulSoup(htmldoc, "lxml")

# tag标签查找

soup.select("title")

# tag标签逐层查找

soup.select("html head title")

soup.select("head title")

soup.select("body a")

# tag标签下的直接子标签

soup.select("head > title")

soup.select("p > a")

soup.select("p > a:nth-of-type(2)")

soup.select("p > #link1")

# css类名查找

soup.select(".sister")

# id 查找

soup.select("#link1")

# 通过属性查找

soup.select("a[href]")

soup.select('a[href="http://example.com/elsie"]')

soup.select('a[href^="http://example.com/"]')

soup.select('a[href$="tillie"]')

soup.select('a[href*=".com/el"]')

type(soup.select("a[href]")) # <class 'list'>

# 通过循环获取到每个tag

list = soup.select("a[href]")

for item in list:

    print(item)

    print(type(item)) # <class 'bs4.element.Tag'>

    print(item.text)

    print(item.string)


												


											
Python BeautifulSoup库的用法的更多相关文章
	

    
								
  1. python BeautifulSoup库用法总结
		
    1. Beautiful Soup 简介 简单来说,Beautiful Soup是python的一个库,最主要的功能是从网页抓取数据.官方解释如下: Beautiful Soup提供一些简单的.pyt ...
    
		
    2. 
						
  2. PYTHON 爬虫笔记五:BeautifulSoup库基础用法
		
    知识点一:BeautifulSoup库详解及其基本使用方法 什么是BeautifulSoup 灵活又方便的网页解析库,处理高效,支持多种解析器.利用它不用编写正则表达式即可方便实现网页信息的提取库.  ...
    
		
    3. 
						
  3. python BeautifulSoup库的基本使用
		
    Beautiful Soup 是用Python写的一个HTML/XML的解析器,它可以很好的处理不规范标记并生成剖析树(parse tree). 它提供简单又常用的导航(navigating),搜索以 ...
    
		
    4. 
						
  4. python 时间库的用法 时区的转化
		
    1. 月份的加减 https://blog.csdn.net/qq_18863573/article/details/79444094 第三方模块:python-dateutil import dat ...
    
		
    5. 
						
  5. python requests库的用法
		
    参考  http://docs.python-requests.org/zh_CN/latest/user/quickstart.html 1.传递url参数 >>> payload ...
    
		
    6. 
						
  6. Python爬虫-- BeautifulSoup库
		
    BeautifulSoup库 beautifulsoup就是一个非常强大的工具,爬虫利器.一个灵活又方便的网页解析库,处理高效,支持多种解析器.利用它就不用编写正则表达式也能方便的实现网页信息的抓取  ...
    
		
    7. 
						
  7. Python HTTP库requests中文页面乱码解决方案！
		
    http://www.cnblogs.com/bitpeng/p/4748872.html Python中文乱码,是一个很大的坑,自己不知道在这里遇到多少问题了.还好通过自己不断的总结,现在遇到乱码的 ...
    
		
    8. 
						
  8. $python爬虫系列（2）—— requests和BeautifulSoup库的基本用法
		
    本文主要介绍python爬虫的两大利器:requests和BeautifulSoup库的基本用法. 1. 安装requests和BeautifulSoup库 可以通过3种方式安装: easy_inst ...
    
		
    9. 
						
  9. Python爬虫小白入门（三）BeautifulSoup库
		
    # 一.前言 *** 上一篇演示了如何使用requests模块向网站发送http请求,获取到网页的HTML数据.这篇来演示如何使用BeautifulSoup模块来从HTML文本中提取我们想要的数据.  ...
    
		
    10. 
		

	


随机推荐
	

    
									
  1. Python基础入门-IF语句
			
    今天给大家分享一下Python中的IF语句的使用场景以及注意事项.主要内容如下: 1.python中的真假 2.Python操作符 3.if语句实例和嵌套实例 4.if语句中的if嵌套实例 5.and ...
    
			
    2. 
						
  2. 编写高质量代码改善C#程序的157个建议——建议48：Dispose方法应允许被多次调用
			
    建议48:Dispose方法应允许被多次调用 一个类型的Dispose方法应该允许被多次调用而不抛出异常.鉴于此,类型内部维护了一个私有的bool变量disposed,如下: private bool ...
    
			
    3. 
						
  3. 《Andorid开源》greenDao 数据库orm框架
			
       一 前言:以前没用框架写Andorid的Sqlite的时候就是用SQLiteDatabase ,SQLiteOpenHelper ,SQL语句等一些东西,特别在写SQL语句来进行 数据库操作的时 ...
    
			
    4. 
						
  4. Backup--查看备份的历史记录
			
    --==================================================== --查看数据库备份的详细信息:时间存储地址最大/最小LSN SELECT * FROM m ...
    
			
    5. 
						
  5. 【C#】特性标签中的属性解释
			
    第一个为特性作用于类,或者接口(interface) 第二个为是否允许重叠定义,就是连续写两个特性标签 第三个为是否继承,当继承时候,除输出子类外,父类也将输出
    
			
    6. 
						
  6. sqlserver中 多条数据合并成一条数据 （stuff 与 for xml path 连用）
			
    SQL 列转行,即多行合并成一条   需求:按照分组,将多条记录内容合并成一条,效果如下: 数据库示例: CREATE TABLE [t2]([NID] [bigint] NULL,[district ...
    
			
    7. 
						
  7. web api 设置允许跨域，并设置预检请求时间
			
    <httpProtocol> <customHeaders> <!--响应类型 (值为逗号分隔的一个字符串,表明服务器支持的所有跨域请求的方法)--> <ad ...
    
			
    8. 
						
  8. .Net Core 项目引用本地类库方式（二）
			
    上篇文章有详细的介绍.Net Core 项目中引用本地类库通过打包,然后Nugety引用方式,这里再介绍一种引用包的方式
    
			
    9. 
						
  9. 关于小程序bindregionchange事件在IOS崩溃的问题
			
    先说下原因,我在bindregionchange事件触发函数中设置了经纬度,而latitude和longitude是绑定在map组件上的,滑动地图的过程中重新设置了地图中心点的经纬度,会导致地图本身的 ...
    
			
    10. 
						
  10. Xcode打包提交至itunes connect后，提交审核成功，随后出现二进制文件无效
			
    1.问题描述 Xcode打包提交至itunes connect后,提交审核成功,应用处于待审核状态,过了大概半个小时状态更改为二进制文件无效 2.原因分析 2.1 登陆在苹果中预留的邮箱 ---- 邮 ...
    
			
    11.