python爬虫之BeautifulSoup4使用

钢铁知识库，一个学习python爬虫、数据分析的知识库。人生苦短，快用python。

上一章我们讲解针对结构化的html、xml数据，使用Xpath实现网页内容爬取。本章我们再来聊另一个高效的神器：Beautiful Soup4。相比于传统正则表达方式去解析网页源代码，这个就简单得多，实践是检验真理的唯一标准，话不多说直接上号开搞验证。

Beautiful Soup 简介

首先说说BeautifulSoup是什么。简单来说，这是Python的一个HTML或XML的解析库，我们可以用它方便从网页中提取数据，官方解释如下：

BeautifulSoup 提供一些简单的、Python 式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。 BeautifulSoup 自动将输入文档转换为 Unicode 编码，输出文档转换为 utf-8 编码。你不需要考虑编码方式，除非文档没有指定一个编码方式，这时你仅仅需要说明一下原始编码方式就可以了。 BeautifulSoup 已成为和 lxml、html5lib 一样出色的 Python 解释器，为用户灵活地提供不同的解析策略或强劲的速度。

所以，利用它可以省去很多繁琐的提取工作，提高解析效率。

BeautifulSoup 安装

BeautifulSoup3 目前已经停止开发，推荐使用 BeautifulSoup4，不过它也被移植到bs4了，也就是说导入时我们需要import bs4

在开始之前，请确保已经正确安装beautifulsoup4和lxml，使用pip安装命令如下：

pip install beautifulsoup4

pip install lxml

解析器

BeautifulSoup在解析时实际上依赖解析器。除了支持Python标准库中的HTML解析器，还支持一些第三方的解析器，如果不安装它，则Python会使用默认的解析器。

下面列出BeautifulSoup支持的解析器

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, "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

通过上面可以看出，lxml 有解析HTML和XML的功能，相比默认的HTML解析器更加强大，速度，容错能力强。

推荐使用它，下面统一使用lxml进行演示。使用时只需在初始化时第二个参数改为 lxml 即可。

from bs4 import BeautifulSoup

soup = BeautifulSoup('<p>Hello</p>', 'lxml')

print(soup.p.string)

'''

Hello

'''

基本使用

下面举个实例来看看BeautifulSoup的基本用法：

html = """

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

<body>

<p class="title" name="dromouse"><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>

"""

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, 'lxml')  # 初始化

print(soup.prettify())

print(soup.title.string)

运行结果，你们也可以将上面代码复制到编辑器执行看看：

<html>

 <head>

  <title>

   The Dormouse's story

  </title>

 </head>

 <body>

  <p class="title" name="dromouse">

   <b>

    The Dormouse's story

   </b>

  </p>

  <p class="story">

   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.

  </p>

  <p class="story">

   ...

  </p>

 </body>

</html>

The Dormouse's story

首先声明一个html变量，它是一个HTML字符串，注意html和body标签都没有闭合。

经过初始化，使用prettify()方法把要解析的字符串以标准缩进格式输出，发现结果中自动补全了html和body标签。这一步不是prettify()方法做的，而是在初始化BeautifulSoup时就完成了。然后调用soup.title.string拿到title里面的文本内容。

通过简单调用几个属性完成文本提取，是不是非常方便呢？

节点选择器

直接调用节点的名称就可以选择节点元素，再调用 string 属性就可以得到节点内的文本了，这种选择方式速度非常快。如果单个节点结构层次非常清晰，可以选用这种方式来解析。

选择元素

还是以上面的HTML代码为例，详细说明选择元素的方法：

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, 'lxml')

print(soup.title)

print(type(soup.title))

print(soup.title.string)

print(soup.head)

print(soup.p)

'''

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

<class 'bs4.element.Tag'>

The Dormouse's story

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

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

'''

首先输出title节点的选择结果，包含标签。

接下来输出它的类型，是一个bs4.element.Tag类型，Tag具有一些属性，比如string。

调用string属性可以看到输出节点的文本内容。

继续尝试head、p节点。发现p只取了第一个匹配的节点。说明当有多个节点时只取一个。

获取属性

每个节点可能有多个属性比如id 、class等，选择元素后可以调用attrs获取所有属性：

print(soup.p.attrs)

print(soup.p.attrs['name'])

'''

{'class': ['title'], 'name': 'dromouse'}

dromouse

'''

可以看到attrs返回结果是字典，它把选择节点所有属性都组合成一个字典。取值直接按字典方式即可。

当然还有一种更简单的获取方式：不写attrs，直接在元素后面中括号取值也行：

print(soup.p['name'])

print(soup.p['class'])

'''

dromouse

['title']

'''

但是注意区分：有的返回字符串、有的返回字符串组成的列表。

对于class，一个节点元素可能有多个class，所以返回的是列表。

子节点和子孙节点

选取节点元素之后，如果想要获取它的直接子节点，可以调用 contents 属性，示例如下：

html4 = """

<html>

    <head>

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

    </head>

    <body>

        <p class="story">

            钢铁知识库

            <a href="http://a.com" class="钢铁学数据分析" id="link1">

                <span>Elsie</span>

            </a>

            <a href="http://b.com" class="钢铁学自动化" id="link2">Lacie</a>

            and

            <a href="http://example.com" class="cccc" id="link3">Tillie</a>

            钢铁学爬虫.

        </p>

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

"""

from bs4 import BeautifulSoup

soup = BeautifulSoup(html4, 'lxml')

print(soup.p.contents)

'''

['\n            钢铁知识库\n            ', <a class="钢铁学数据分析" href="http://a.com" id="link1">

<span>Elsie</span>

</a>, '\n', <a class="钢铁学自动化" href="http://b.com" id="link2">Lacie</a>, ' \n            and\n            ', <a class="cccc" href="http://example.com" id="link3">Tillie</a>, '\n            钢铁学爬虫.\n        ']

'''

可以看到返回结果是列表形式。p 节点里既包含文本，又包含文本，最后统一返回列表。

需要注意，列表中的每个元素都是 p 节点的直接子节点。比如第一个 a 节点里面的span节点，这相当于子孙节点了，但返回结果并没有单独把span节点列出来。所以说，contents属性得到的结果是直接子节点的列表。

同样，我们可以调用children属性得到相应的结果：

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, 'lxml')

print(soup.p.children)

for i, child in enumerate(soup.p.children):

    print(i, child)

'''

<list_iterator object at 0x0000000001D9A1C0>

0

            钢铁知识库

1 <a class="钢铁学数据分析" href="http://a.com" id="link1">

<span>Elsie</span>

</a>

2 

3 <a class="钢铁学自动化" href="http://b.com" id="link2">Lacie</a>

4

            and

5 <a class="cccc" href="http://example.com" id="link3">Tillie</a>

6

            钢铁学爬虫.

'''

还是同样的 HTML 文本，这里调用了 children 属性来选择，返回结果是生成器类型。接下来，我们用 for 循环输出相应的内容。

如果要得到所有的子孙节点的话，可以调用 descendants 属性：

<generator object Tag.descendants at 0x000001D77A90E570>

0

            钢铁知识库

1 <a class="钢铁学数据分析" href="http://a.com" id="link1">

<span>Elsie</span>

</a>

2 

3 <span>Elsie</span>

4 Elsie

5 

6 

7 <a class="钢铁学自动化" href="http://b.com" id="link2">Lacie</a>

8 Lacie

9

            and

10 <a class="cccc" href="http://example.com" id="link3">Tillie</a>

11 Tillie

12

            钢铁学爬虫.

此时返回结果还是生成器。遍历输出一下可以看到，这次的输出结果就包含了 span 节点。descendants 会递归查询所有子节点，得到所有的子孙节点。

除此之外，还有父节点parent 和祖先节点parents，兄弟节点next_sibling和previous_siblings 日常用得少不再演示，后续需要自行查官方文档即可。

方法选择器

前面聊的通过属性选择节点，但如果进行比较复杂的话还是比较繁琐。幸好BeautifulSoup还为我们提供另外一些查询方法，比如find_all 和 find ，调用他们传入相应参数就可以灵活查询。

find_all

顾名思义，就是查询所有符合条件的元素，可以给它传入一些属性或文本来得到符合条件的元素，功能十分强大。

它的 API 如下：

find_all(name , attrs , recursive , text , **kwargs)

我们可以根据节点名来查询元素，下面我们用一个实例来感受一下：

html5='''

<div class="panel">

    <div class="panel-heading">

        <h4>Hello</h4>

    </div>

    <div class="panel-body">

        <ul class="list" id="list-1">

            <li class="element">钢铁</li>

            <li class="element">知识</li>

            <li class="element">仓库</li>

        </ul>

        <ul class="list list-small" id="list-2">

            <li class="element">python</li>

            <li class="element">java</li>

        </ul>

    </div>

</div>

'''

from bs4 import BeautifulSoup

soup = BeautifulSoup(html5, 'lxml')

print(soup.find_all(name='ul'))

print(type(soup.find_all(name='ul')[0]))

'''

[<ul class="list" id="list-1">

<li class="element">钢铁</li>

<li class="element">知识</li>

<li class="element">仓库</li>

</ul>, <ul class="list list-small" id="list-2">

<li class="element">python</li>

<li class="element">java</li>

</ul>]

<class 'bs4.element.Tag'>

'''

可以看到返回了一个列表，分别是两个ul长度为2，且类型依然是bs4.element.Tag类型。

因为都是Tag类型，所以依然可以继续嵌套查询，还是同样文本，查询ul节点后再继续查询内部li节点。

from bs4 import BeautifulSoup

soup = BeautifulSoup(html5, 'lxml')

for ul in soup.find_all(name='ul'):

    print(ul.find_all(name='li'))

'''

[<li class="element">钢铁</li>, <li class="element">知识</li>, <li class="element">仓库</li>]

[<li class="element">python</li>, <li class="element">java</li>]

'''

返回结果是列表类型，元素依然是Tag类型。

接下来我们可以遍历每个li获取它的文本：

for ul in soup.find_all(name='ul'):

    print(ul.find_all(name='li'))

    for li in ul.find_all(name='li'):

        print(li.string)

'''

[<li class="element">钢铁</li>, <li class="element">知识</li>, <li class="element">仓库</li>]

钢铁

知识

仓库

[<li class="element">python</li>, <li class="element">java</li>]

python

java

'''

find

除了 find_all 方法，还有 find 方法，不过 find 方法返回的是单个元素，也就是第一个匹配的元素，而 find_all 返回的是所有匹配的元素组成的列表。示例如下：

html5='''

<div class="panel">

    <div class="panel-heading">

        <h4>Hello</h4>

    </div>

    <div class="panel-body">

        <ul class="list" id="list-1">

            <li class="element">钢铁</li>

            <li class="element">知识</li>

            <li class="element">仓库</li>

        </ul>

        <ul class="list list-small" id="list-2">

            <li class="element">python</li>

            <li class="element">java</li>

        </ul>

    </div>

</div>

'''

from bs4 import BeautifulSoup

soup = BeautifulSoup(html5, 'lxml')

print(soup.find(name='ul'))

print(type(soup.find(name='ul')))

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

'''

<ul class="list" id="list-1">

<li class="element">钢铁</li>

<li class="element">知识</li>

<li class="element">仓库</li>

</ul>

<class 'bs4.element.Tag'>

<ul class="list" id="list-1">

<li class="element">钢铁</li>

<li class="element">知识</li>

<li class="element">仓库</li>

</ul>

'''

返回结果不再是列表形式，而是第一个匹配的节点元素，类型依然是 Tag 类型。

其它方法

另外还有许多的查询方法，用法与前面介绍的 find_all、find 方法完全相同，只不过查询范围不同，在此做一下简单的说明。

find_parents 和 find_parent：前者返回所有祖先节点，后者返回直接父节点。

find_next_siblings 和 find_next_sibling：前者返回后面所有的兄弟节点，后者返回后面第一个兄弟节点。

find_previous_siblings 和 find_previous_sibling：前者返回前面所有的兄弟节点，后者返回前面第一个兄弟节点。

find_all_next 和 find_next：前者返回节点后所有符合条件的节点，后者返回第一个符合条件的节点。

find_all_previous 和 find_previous：前者返回节点前所有符合条件的节点，后者返回第一个符合条件的节点。

CSS选择器

BeautifulSoup还提供了另外一种选择器，CSS选择器。如果对 Web 开发熟悉的话，那么对 CSS 选择器肯定也不陌生。如果不熟悉的话，可以参考 http://www.w3school.com.cn/cssref/css_selectors.asp 了解。

使用 CSS 选择器，只需要调用 select 方法，传入相应的 CSS 选择器即可，我们用一个实例来感受一下：

html5='''

<div class="panel">

    <div class="panel-heading">

        <h4>Hello</h4>

    </div>

    <div class="panel-body">

        <ul class="list" id="list-1">

            <li class="element">钢铁</li>

            <li class="element">知识</li>

            <li class="element">仓库</li>

        </ul>

        <ul class="list list-small" id="list-2">

            <li class="element">python</li>

            <li class="element">java</li>

        </ul>

    </div>

</div>

'''

from bs4 import BeautifulSoup

soup = BeautifulSoup(html5, 'lxml')

print(soup.select('.panel .panel-heading'))

print(soup.select('ul li'))

print(soup.select('#list-2 .element'))

print(type(soup.select('ul')[0]))

'''

[<div class="panel-heading">

<h4>Hello</h4>

</div>]

[<li class="element">钢铁</li>, <li class="element">知识</li>, <li class="element">仓库</li>, <li class="element">python</li>, <li class="element">java</li>]

[<li class="element">python</li>, <li class="element">java</li>]

<class 'bs4.element.Tag'>

'''

结果为所有匹配的节点。例如select('ul li')则是所有ul节点下面的所有li节点，返回结果是列表。

select 方法同样支持嵌套选择(soup.select('ul'))、属性获取(ul['id'])，以及文本获取(li.string/li.get_text())

---- 钢铁知识库 2022.08.22

结语

到此 BeautifulSoup 的使用介绍基本就结束了，最后钢铁知识库做一下简单的总结：

推荐使用 LXML 解析库，速度快、容错能力强。
建议使用 find、find_all 方法查询匹配单个结果或者多个结果。
如果对 CSS 选择器熟悉的话可以使用 select 匹配，可以像Xpath一样匹配所有。