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

  1. #安装 Beautiful Soup
  2. pip install beautifulsoup4
  3.  
  4. #安装解析器
  5. 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:
  6.  
  7. $ apt-get install Python-lxml
  8.  
  9. $ easy_install lxml
  10.  
  11. $ pip install lxml
  12.  
  13. 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:
  14.  
  15. $ apt-get install Python-html5lib
  16.  
  17. $ easy_install html5lib
  18.  
  19. $ 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.html

二 基本使用

  1. html_doc = """
  2. <html><head><title>The Dormouse's story</title></head>
  3. <body>
  4. <p class="title"><b>The Dormouse's story</b></p>
  5.  
  6. <p class="story">Once upon a time there were three little sisters; and their names were
  7. <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
  8. <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
  9. <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
  10. and they lived at the bottom of a well.</p>
  11.  
  12. <p class="story">...</p>
  13. """
  14.  
  15. #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
  16. from bs4 import BeautifulSoup
  17. soup=BeautifulSoup(html_doc,'lxml') #具有容错功能
  18. res=soup.prettify() #处理好缩进，结构化显示
  19. print(res)

三 遍历文档树

  1. #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
  2. #1、用法
  3. #2、获取标签的名称
  4. #3、获取标签的属性
  5. #4、获取标签的内容
  6. #5、嵌套选择
  7. #6、子节点、子孙节点
  8. #7、父节点、祖先节点
  9. #8、兄弟节点
  1. #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
  2. html_doc = """
  3. <html><head><title>The Dormouse's story</title></head>
  4. <body>
  5. <p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b></p>
  6.  
  7. <p class="story">Once upon a time there were three little sisters; and their names were
  8. <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
  9. <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
  10. <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
  11. and they lived at the bottom of a well.</p>
  12.  
  13. <p class="story">...</p>
  14. """
  15.  
  16. #1、用法
  17. from bs4 import BeautifulSoup
  18. soup=BeautifulSoup(html_doc,'lxml')
  19. # soup=BeautifulSoup(open('a.html'),'lxml')
  20.  
  21. print(soup.p) #存在多个相同的标签则只返回第一个
  22. print(soup.a) #存在多个相同的标签则只返回第一个
  23.  
  24. #2、获取标签的名称
  25. print(soup.p.name)
  26.  
  27. #3、获取标签的属性
  28. print(soup.p.attrs)
  29.  
  30. #4、获取标签的内容
  31. print(soup.p.string) # p下的文本只有一个时，取到，否则为None
  32. print(soup.p.strings) #拿到一个生成器对象, 取到p下所有的文本内容
  33. print(soup.p.text) #取到p下所有的文本内容
  34. for line in soup.stripped_strings: #去掉空白
  35.     print(line)
  36.  
  37. '''
  38. 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
  39. <p id='list-1'>
  40.     哈哈哈哈
  41.     <a class='sss'>
  42.         <span>
  43.             <h1>aaaa</h1>
  44.         </span>
  45.     </a>
  46.     <b>bbbbb</b>
  47. </p>
  48. '''
  49.  
  50. #5、嵌套选择
  51. print(soup.head.title.string)
  52. print(soup.body.a.string)
  53.  
  54. #6、子节点、子孙节点
  55. print(soup.p.contents) #p下所有子节点
  56. print(soup.p.children) #得到一个迭代器,包含p下所有子节点
  57.  
  58. for i,child in enumerate(soup.p.children):
  59.     print(i,child)
  60.  
  61. print(soup.p.descendants) #获取子孙节点,p下所有的标签都会选择出来
  62. for i,child in enumerate(soup.p.descendants):
  63.     print(i,child)
  64.  
  65. #7、父节点、祖先节点
  66. print(soup.a.parent) #获取a标签的父节点
  67. 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...
  68.  
  69. #8、兄弟节点
  70. print('=====>')
  71. print(soup.a.next_sibling) #下一个兄弟
  72. print(soup.a.previous_sibling) #上一个兄弟
  73.  
  74. print(list(soup.a.next_siblings)) #下面的兄弟们=>生成器对象
  75. print(soup.a.previous_siblings) #上面的兄弟们=>生成器对象

四 搜索文档树

1、五种过滤器

  1. #搜索文档树：BeautifulSoup定义了很多搜索方法,这里着重介绍2个: find() 和 find_all() .其它方法的参数和用法类似
  2. html_doc = """
  3. <html><head><title>The Dormouse's story</title></head>
  4. <body>
  5. <p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b>
  6. </p>
  7.  
  8. <p class="story">Once upon a time there were three little sisters; and their names were
  9. <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
  10. <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
  11. <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
  12. and they lived at the bottom of a well.</p>
  13.  
  14. <p class="story">...</p>
  15. """
  16.  
  17. from bs4 import BeautifulSoup
  18. soup=BeautifulSoup(html_doc,'lxml')
  19.  
  20. #1、五种过滤器: 字符串、正则表达式、列表、True、方法
  21. #1.1、字符串：即标签名
  22. print(soup.find_all('b'))
  23.  
  24. #1.2、正则表达式
  25. import re
  26. print(soup.find_all(re.compile('^b'))) #找出b开头的标签，结果有body和b标签
  27.  
  28. #1.3、列表：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<b>标签:
  29. print(soup.find_all(['a','b']))
  30.  
  31. #1.4、True：可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点
  32. print(soup.find_all(True))
  33. for tag in soup.find_all(True):
  34.     print(tag.name)
  35.  
  36. #1.5、方法:如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数 ,如果这个方法返回 True 表示当前元素匹配并且被找到,如果不是则反回 False
  37. def has_class_but_no_id(tag):
  38.     return tag.has_attr('class') and not tag.has_attr('id')
  39.  
  40. print(soup.find_all(has_class_but_no_id))

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

  1. #2、find_all( name , attrs , recursive , text , **kwargs )
  2. #2.1、name: 搜索name参数的值可以使任一类型的 过滤器 ,字符窜,正则表达式,列表,方法或是 True .
  3. print(soup.find_all(name=re.compile('^t')))
  4.  
  5. #2.2、keyword: key=value的形式，value可以是过滤器：字符串 , 正则表达式 , 列表, True .
  6. print(soup.find_all(id=re.compile('my')))
  7. print(soup.find_all(href=re.compile('lacie'),id=re.compile('\d'))) #注意类要用class_
  8. print(soup.find_all(id=True)) #查找有id属性的标签
  9.  
  10. # 有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性:
  11. data_soup = BeautifulSoup('<div data-foo="value">foo!</div>','lxml')
  12. # data_soup.find_all(data-foo="value") #报错：SyntaxError: keyword can't be an expression
  13. # 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:
  14. print(data_soup.find_all(attrs={"data-foo": "value"}))
  15. # [<div data-foo="value">foo!</div>]
  16.  
  17. #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
  18. print(soup.find_all('a',class_='sister')) #查找类为sister的a标签
  19. 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
  20. print(soup.find_all(class_=re.compile('^sis'))) #查找类为sister的所有标签
  21.  
  22. #2.4、attrs
  23. print(soup.find_all('p',attrs={'class':'story'}))
  24.  
  25. #2.5、text: 值可以是：字符，列表，True，正则
  26. print(soup.find_all(text='Elsie'))
  27. print(soup.find_all('a',text='Elsie'))
  28.  
  29. #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
  30. print(soup.find_all('a',limit=2))
  31.  
  32. #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 .
  33. print(soup.html.find_all('a'))
  34. print(soup.html.find_all('a',recursive=False))
  35.  
  36. '''
  37. 像调用 find_all() 一样调用tag
  38. 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:
  39. soup.find_all("a")
  40. soup("a")
  41. 这两行代码也是等价的:
  42. soup.title.find_all(text=True)
  43. soup.title(text=True)
  44. '''

3、find( name , attrs , recursive , text , **kwargs )

  1. #3、find( name , attrs , recursive , text , **kwargs )
  2. 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:
  3.  
  4. soup.find_all('title', limit=1)
  5. # [<title>The Dormouse's story</title>]
  6. soup.find('title')
  7. # <title>The Dormouse's story</title>
  8.  
  9. 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.
  10. 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 .
  11. print(soup.find("nosuchtag"))
  12. # None
  13.  
  14. 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:
  15.  
  16. soup.head.title
  17. # <title>The Dormouse's story</title>
  18. soup.find("head").find("title")
  19. # <title>The Dormouse's story</title>

4、其他方法

  1. #见官网:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#find-parents-find-parent

5、CSS选择器

  1. #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
  2. html_doc = """
  3. <html><head><title>The Dormouse's story</title></head>
  4. <body>
  5. <p class="title">
  6.     <b>The Dormouse's story</b>
  7.     Once upon a time there were three little sisters; and their names were
  8.     <a href="http://example.com/elsie" class="sister" id="link1">
  9.         <span>Elsie</span>
  10.     </a>
  11.     <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
  12.     <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
  13.     <div class='panel-1'>
  14.         <ul class='list' id='list-1'>
  15.             <li class='element'>Foo</li>
  16.             <li class='element'>Bar</li>
  17.             <li class='element'>Jay</li>
  18.         </ul>
  19.         <ul class='list list-small' id='list-2'>
  20.             <li class='element'><h1 class='yyyy'>Foo</h1></li>
  21.             <li class='element xxx'>Bar</li>
  22.             <li class='element'>Jay</li>
  23.         </ul>
  24.     </div>
  25.     and they lived at the bottom of a well.
  26. </p>
  27. <p class="story">...</p>
  28. """
  29. from bs4 import BeautifulSoup
  30. soup=BeautifulSoup(html_doc,'lxml')
  31.  
  32. #1、CSS选择器
  33. print(soup.p.select('.sister'))
  34. print(soup.select('.sister span'))
  35.  
  36. print(soup.select('#link1'))
  37. print(soup.select('#link1 span'))
  38.  
  39. print(soup.select('#list-2 .element.xxx'))
  40.  
  41. 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
  42.  
  43. # 2、获取属性
  44. print(soup.select('#list-2 h1')[0].attrs)
  45.  
  46. # 3、获取内容
  47. print(soup.select('#list-2 h1')[0].get_text())

五 修改文档树

链接：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#id40

六 总结

  1. # 总结:
  2. #1、推荐使用lxml解析库
  3. #2、讲了三种选择器:标签选择器,find与find_all，css选择器
  4.     1、标签选择器筛选功能弱,但是速度快
  5.     2、建议使用find,find_all查询匹配单个结果或者多个结果
  6.     3、如果对css选择器非常熟悉建议使用select
  7. #3、记住常用的获取属性attrs和文本值get_text()的方法

解析库之——beautifulsoup的更多相关文章

  1. 爬虫 解析库re,Beautifulsoup,

    re模块 点我回顾 Beautifulsoup模块 #安装 Beautiful Soup pip install beautifulsoup4 #安装解析器 Beautiful Soup支持Pytho ...

  2. Python爬虫【解析库之beautifulsoup】

    解析库的安装 pip3 install beautifulsoup4 初始化 BeautifulSoup(str,"解析库") from bs4 import BeautifulS ...

  3. 03 解析库之Beautifulsoup模块

    Beautifulsoup模块   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 ...

  4. python爬虫解析库之Beautifulsoup模块

      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 ...

  5. Python爬虫3大解析库使用导航

    1. Xpath解析库 2. BeautifulSoup解析库 3. PyQuery解析库

  6. 解析库之re，Beautifulsoup

    本篇导航: 介绍 基本使用 遍历文档树 搜索文档树 总结     re模块在之前的python进阶中有讲过不再做过多的阐述,本篇为BeautifulSoup库的分析 20.collections模块和 ...

  7. 爬虫模块介绍--Beautifulsoup （解析库模块，正则）

    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 ...

  8. Python中第三方的用于解析HTML的库：BeautifulSoup

    背景 在Python去写爬虫,网页解析等过程中,比如: 如何用Python,C#等语言去实现抓取静态网页+抓取动态网页+模拟登陆网站 常常需要涉及到HTML等网页的解析. 当然,对于简单的HTML中内 ...

  9. 爬虫----爬虫解析库Beautifulsoup模块

    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 ...

随机推荐

  1. mysql -- 预处理语句

    所谓预处理,即在真正执行某条SQL语句之前,先将SQL语句准备好,在执行过程中再绑定数据 语法: 准备预处理 prepare 预处理名字 from ‘要执行的SQL语句’ 执行预处理 execute ...

  2. hdu 1147:Pick-up sticks（基本题，判断两线段相交）

    Pick-up sticks Time Limit: 4000/2000 MS (Java/Others)    Memory Limit: 65536/32768 K (Java/Others)To ...

  3. Oracle dbms_random随机数包详解

    Oracle dbms_random包主要用于获得随机数,可以为数字也可以为字母等,还可以实现混拼.常用函数如下: dbms_random.value 生成一个指定范围的38位随机小数(小数点后38位 ...

  4. jQuery制作简洁的多级联动Select下拉框

    今天我们要来分享一款很实用的jQuery插件,它是一个基于jQuery多级联动的省市地区Select下拉框,并且值得一提的是,这款联动下拉框是经过自定义美化过的,外观比浏览器自带的要漂亮许多.另外,这 ...

  5. UIViewController三种不同的初始化view的方式

    You can specify the views for a view controller using a Storyboard created in Interface Builder. A s ...

  6. win10怎么关闭把管理员权限

    按住WIN+R 计算机配置----Windows设置----安全设置----本地策略----安全选项----用户账户控制:以管理员批准模式运行所有管理员,把启用改为禁止然后重启电脑

  7. poj_1836 动态规划

    题目大意 N个士兵排成一排,不是按照高度顺序排列.现在想要从中去掉几名士兵,从而使得队伍中剩余的士兵能够看到这排最左边或者最右边的那个士兵,某士兵能够看到最左边(或最右边)的士兵指这名士兵和最左边(或 ...

  8. List<Integer>.remove()的一个小细节

    不废话,先上代码: ArrayList<Integer> col = new ArrayList<Integer>(); System.out.println("In ...

  9. js 中导出excel 较长数字串会变成科学计数法（转载）

    在做项目中,碰到如题的问题.比如要将居民的信息导出到excel中,居民的身份证号码因为长度过长(大于10位),excel会自动的将过长的数字串转换成 科学计数法.现在网上找到解决方案之一: (在数字串 ...

  10. Windows下使用Gflags检查内存越界

    环境:windows xp. vs2005 Gflags可用于查找内存越界的问题. 访问一块申请的内存时,当访问的地址超过申请的范围时,就发生了内存越界的问题. 编写测试程序MemoryOverflo ...