1. 开启Beautiful Soup 之旅

在这里先分享官方文档链接，不过内容是有些多，也不够条理，在此本文章做一下整理方便大家参考。

官方文档

2. 创建 Beautiful Soup 对象

首先必须要导入 bs4 库

from bs4 import BeautifulSoup
1
from bs4 import BeautifulSoup

我们创建一个字符串，后面的例子我们便会用它来演示

Python

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>
“”“
1
2
3
4
5
6
7
8
9
10
11
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>
“”“

创建 beautifulsoup 对象

Python

soup = BeautifulSoup(html)
1
soup = BeautifulSoup(html)

另外，我们还可以用本地 HTML 文件来创建对象，例如

soup = BeautifulSoup(open(‘index.html’))
1
soup = BeautifulSoup(open(‘index.html’))

上面这句代码便是将本地 index.html 文件打开，用它来创建 soup 对象

下面我们来打印一下 soup 对象的内容，格式化输出

print soup.prettify()
1
print soup.prettify()


<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>
1
2
3
4
5
<html>
<head>
  <title>
   The Dormouse’s story
  </title>

以上便是输出结果，格式化打印出了它的内容，这个函数经常用到，小伙伴们要记好咯。

3. 四大对象种类

Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种:

  • Tag
  • NavigableString
  • BeautifulSoup
  • Comment

下面我们进行一一介绍

（1）Tag

Tag 是什么？通俗点讲就是 HTML 中的一个个标签，例如

<title>The Dormouse’s story</title>
1
<title>The Dormouse’s story</title>


<a class=”sister” href=”http://example.com/elsie” id=”link1”>Elsie</a>
1
<a class=“sister” href=“http://example.com/elsie” id=“link1”>Elsie</a>

上面的 title a 等等 HTML 标签加上里面包括的内容就是 Tag，下面我们来感受一下怎样用 Beautiful Soup 来方便地获取 Tags

下面每一段代码中注释部分即为运行结果

使用 CTRL+C 复制，使用 CTRL+V 粘贴。
print soup.title

#<title>The Dormouse’s story</title>

1
2
print soup.title
#<title>The Dormouse’s story</title>


print soup.head

#<head><title>The Dormouse’s story</title></head>

1
2
print soup.head
#<head><title>The Dormouse’s story</title></head>


print soup.a

#<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>

1
2
print soup.a
#<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>


print soup.p

#<p class=”title” name=”dromouse”><b>The Dormouse’s story</b></p>

1
2
print soup.p
#<p class=”title” name=”dromouse”><b>The Dormouse’s story</b></p>

我们可以利用 soup加标签名轻松地获取这些标签的内容，是不是感觉比正则表达式方便多了？不过有一点是，它查找的是在所有内容中的第一个符合要求的标签，如果要查询所有的标签，我们在后面进行介绍。

我们可以验证一下这些对象的类型

print type(soup.a)

#<class ‘bs4.element.Tag’>

1
2
print type(soup.a)
#<class ‘bs4.element.Tag’>

对于 Tag，它有两个重要的属性，是 name 和 attrs，下面我们分别来感受一下

name

print soup.name
print soup.head.name

#[document]

#head

1
2
3
4
print soup.name
print soup.head.name
#[document]
#head

soup 对象本身比较特殊，它的 name 即为 [document]，对于其他内部标签，输出的值便为标签本身的名称。

attrs

print soup.p.attrs

#{‘class’: [‘title’], ‘name’: ‘dromouse’}

1
2
print soup.p.attrs
#{‘class’: [‘title’], ‘name’: ‘dromouse’}

在这里，我们把 p 标签的所有属性打印输出了出来，得到的类型是一个字典。

如果我们想要单独获取某个属性，可以这样，例如我们获取它的 class 叫什么

print soup.p[‘class’]

#[‘title’]

1
2
print soup.p[‘class’]
#[‘title’]

还可以这样，利用get方法，传入属性的名称，二者是等价的

print soup.p.get(‘class’)

#[‘title’]

1
2
print soup.p.get(‘class’)
#[‘title’]

我们可以对这些属性和内容等等进行修改，例如

soup.p[‘class’]=”newClass”
print soup.p

#<p class=”newClass” name=”dromouse”><b>The Dormouse’s story</b></p>

1
2
3
soup.p[‘class’]=“newClass”
print soup.p
#<p class=”newClass” name=”dromouse”><b>The Dormouse’s story</b></p>

还可以对这个属性进行删除，例如

del soup.p[‘class’]
print soup.p

#<p name=”dromouse”><b>The Dormouse’s story</b></p>

1
2
3
del soup.p[‘class’]
print soup.p
#<p name=”dromouse”><b>The Dormouse’s story</b></p>

不过，对于修改删除的操作，不是我们的主要用途，在此不做详细介绍了，如果有需要，请查看前面提供的官方文档

（2）NavigableString

既然我们已经得到了标签的内容，那么问题来了，我们要想获取标签内部的文字怎么办呢？很简单，用 .string 即可，例如

print soup.p.string

#The Dormouse’s story

1
2
print soup.p.string
#The Dormouse’s story

这样我们就轻松获取到了标签里面的内容，想想如果用正则表达式要多麻烦。它的类型是一个 NavigableString，翻译过来叫 可以遍历的字符串，不过我们最好还是称它英文名字吧。

来检查一下它的类型

print type(soup.p.string)

#<class ‘bs4.element.NavigableString’>

1
2
print type(soup.p.string)
#<class ‘bs4.element.NavigableString’>

（3）BeautifulSoup

BeautifulSoup 对象表示的是一个文档的全部内容.大部分时候,可以把它当作 Tag 对象，是一个特殊的 Tag，我们可以分别获取它的类型，名称，以及属性来感受一下

print type(soup.name)

#<type ‘unicode’>
print soup.name

# [document]
print soup.attrs

#{} 空字典

1
2
3
4
5
6
print type(soup.name)
#<type ‘unicode’>
print soup.name
# [document]
print soup.attrs
#{} 空字典

（4）Comment

Comment 对象是一个特殊类型的 NavigableString 对象，其实输出的内容仍然不包括注释符号，但是如果不好好处理它，可能会对我们的文本处理造成意想不到的麻烦。

我们找一个带注释的标签

print soup.a
print soup.a.string
print type(soup.a.string)
1
2
3
print soup.a
print soup.a.string
print type(soup.a.string)

运行结果如下

<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>
Elsie
<class ‘bs4.element.Comment’>
1
2
3
<a class=“sister” href=“http://example.com/elsie” id=“link1”><!– Elsie –></a>
Elsie
<class ‘bs4.element.Comment’>

a 标签里的内容实际上是注释，但是如果我们利用 .string 来输出它的内容，我们发现它已经把注释符号去掉了，所以这可能会给我们带来不必要的麻烦。

另外我们打印输出下它的类型，发现它是一个 Comment 类型，所以，我们在使用前最好做一下判断，判断代码如下

if type(soup.a.string)==bs4.element.Comment:
print soup.a.string
1
2
if type(soup.a.string)==bs4.element.Comment:
    print soup.a.string

上面的代码中，我们首先判断了它的类型，是否为 Comment 类型，然后再进行其他操作，如打印输出。

4. 遍历文档树

（1）直接子节点

要点：.contents  .children  属性

.contents

tag 的 .content 属性可以将tag的子节点以列表的方式输出

print soup.head.contents

#[<title>The Dormouse’s story</title>]

1
2
print soup.head.contents 
#[<title>The Dormouse’s story</title>]

输出方式为列表，我们可以用列表索引来获取它的某一个元素

print soup.head.contents[0]

#<title>The Dormouse’s story</title>

1
2
print soup.head.contents[0]
#<title>The Dormouse’s story</title>

.children

它返回的不是一个 list，不过我们可以通过遍历获取所有子节点。

我们打印输出 .children 看一下，可以发现它是一个 list 生成器对象

print soup.head.children

#<listiterator object at 0x7f71457f5710>

1
2
print soup.head.children
#<listiterator object at 0x7f71457f5710>

我们怎样获得里面的内容呢？很简单，遍历一下就好了，代码及结果如下

for child in soup.body.children:
print child
1
2
for child in  soup.body.children:
    print child


<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>

1
2
3
4
5
<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

 （2）所有子孙节点

知识点：.descendants 属性

.descendants

.contents 和 .children 属性仅包含tag的直接子节点，.descendants 属性可以对所有tag的子孙节点进行递归循环，和 children类似，我们也需要遍历获取其中的内容。

for child in soup.descendants:
print child
1
2
for child in soup.descendants:
    print child

运行结果如下，可以发现，所有的节点都被打印出来了，先生最外层的 HTML标签，其次从 head 标签一个个剥离，以此类推。

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

<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>

<p class=”title” name=”dromouse”><b>The Dormouse’s story</b></p>
<b>The Dormouse’s story</b>
The Dormouse’s story

<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>
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>
Elsie
,

<a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>
Lacie
and

<a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</a>
Tillie
;
and they lived at the bottom of a well.

<p class=”story”>…</p>
…

1
2
3
4
5
<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>,

 （3）节点内容

知识点：.string 属性

如果tag只有一个 NavigableString 类型子节点,那么这个tag可以使用 .string 得到子节点。如果一个tag仅有一个子节点,那么这个tag也可以使用 .string 方法,输出结果与当前唯一子节点的 .string 结果相同。

通俗点说就是：如果一个标签里面没有标签了，那么 .string 就会返回标签里面的内容。如果标签里面只有唯一的一个标签了，那么 .string 也会返回最里面的内容。例如

print soup.head.string

#The Dormouse’s story
print soup.title.string

#The Dormouse’s story

1
2
3
4
print soup.head.string
#The Dormouse’s story
print soup.title.string
#The Dormouse’s story

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

print soup.html.string

# None

1
2
print soup.html.string
# None

（4）多个内容

知识点： .strings  .stripped_strings 属性

.strings

获取多个内容，不过需要遍历获取，比如下面的例子

for string in soup.strings:
print(repr(string))
# u”The Dormouse’s story”
# u’\n\n’
# u”The Dormouse’s story”
# u’\n\n’
# u’Once upon a time there were three little sisters; and their names were\n’
# u’Elsie’
# u’,\n’
# u’Lacie’
# u’ and\n’
# u’Tillie’
# u’;\nand they lived at the bottom of a well.’
# u’\n\n’
# u’…’
# u’\n’
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
for string in soup.strings:
    print(repr(string))
    # u”The Dormouse’s story”
    # u’\n\n’
    # u”The Dormouse’s story”
    # u’\n\n’
    # u’Once upon a time there were three little sisters; and their names were\n’
    # u’Elsie’
    # u’,\n’
    # u’Lacie’
    # u’ and\n’
    # u’Tillie’
    # u’;\nand they lived at the bottom of a well.’
    # u’\n\n’
    # u’…’
    # u’\n’

.stripped_strings 

输出的字符串中可能包含了很多空格或空行,使用 .stripped_strings 可以去除多余空白内容

for string in soup.stripped_strings:
print(repr(string))
# u”The Dormouse’s story”
# u”The Dormouse’s story”
# u’Once upon a time there were three little sisters; and their names were’
# u’Elsie’
# u’,’
# u’Lacie’
# u’and’
# u’Tillie’
# u’;\nand they lived at the bottom of a well.’
# u’…’
1
2
3
4
5
6
7
8
9
10
11
12
for string in soup.stripped_strings:
    print(repr(string))
    # u”The Dormouse’s story”
    # u”The Dormouse’s story”
    # u’Once upon a time there were three little sisters; and their names were’
    # u’Elsie’
    # u’,’
    # u’Lacie’
    # u’and’
    # u’Tillie’
    # u’;\nand they lived at the bottom of a well.’
    # u’…’

（5）父节点

 知识点： .parent 属性

p = soup.p
print p.parent.name

#body

1
2
3
p = soup.p
print p.parent.name
#body


content = soup.head.title.string
print content.parent.name

#title

1
2
3
content = soup.head.title.string
print content.parent.name
#title

（6）全部父节点

知识点：.parents 属性

通过元素的 .parents 属性可以递归得到元素的所有父辈节点，例如

content = soup.head.title.string
for parent in content.parents:
print parent.name
1
2
3
content = soup.head.title.string
for parent in  content.parents:
    print parent.name


title
head
html
[document]
1
2
3
4
title
head
html
[document]

 （7）兄弟节点

知识点：.next_sibling  .previous_sibling 属性

兄弟节点可以理解为和本节点处在统一级的节点，.next_sibling 属性获取了该节点的下一个兄弟节点，.previous_sibling 则与之相反，如果节点不存在，则返回 None

注意：实际文档中的tag的 .next_sibling 和 .previous_sibling 属性通常是字符串或空白，因为空白或者换行也可以被视作一个节点，所以得到的结果可能是空白或者换行

print soup.p.next_sibling

# 实际该处为空白
print soup.p.prev_sibling

#None 没有前一个兄弟节点，返回 None
print soup.p.next_sibling.next_sibling

#<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>

#下一个节点的下一个兄弟节点是我们可以看到的节点

1
2
3
4
5
6
7
8
9
10
11
print soup.p.next_sibling
#       实际该处为空白
print soup.p.prev_sibling
#None   没有前一个兄弟节点，返回 None
print soup.p.next_sibling.next_sibling
#<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>
#下一个节点的下一个兄弟节点是我们可以看到的节点

（8）全部兄弟节点

知识点：.next_siblings  .previous_siblings 属性

通过 .next_siblings 和 .previous_siblings 属性可以对当前节点的兄弟节点迭代输出

for sibling in soup.a.next_siblings:
print(repr(sibling))
# u’,\n’
# <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>
# u’ and\n’
# <a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</a>
# u’; and they lived at the bottom of a well.’
# None
1
2
3
4
5
6
7
8
for sibling in soup.a.next_siblings:
    print(repr(sibling))
    # u’,\n’
    # <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>
    # u’ and\n’
    # <a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</a>
    # u’; and they lived at the bottom of a well.’
    # None

（9）前后节点

知识点：.next_element  .previous_element 属性

与 .next_sibling  .previous_sibling 不同，它并不是针对于兄弟节点，而是在所有节点，不分层次

比如 head 节点为

<head><title>The Dormouse’s story</title></head>
1
<head><title>The Dormouse’s story</title></head>

那么它的下一个节点便是 title，它是不分层次关系的

print soup.head.next_element

#<title>The Dormouse’s story</title>

1
2
print soup.head.next_element
#<title>The Dormouse’s story</title>

（10）所有前后节点

知识点：.next_elements  .previous_elements 属性

通过 .next_elements 和 .previous_elements 的迭代器就可以向前或向后访问文档的解析内容,就好像文档正在被解析一样

for element in last_a_tag.next_elements:
print(repr(element))

# u’Tillie’

# u’;\nand they lived at the bottom of a well.’

# u’\n\n’

# <p class=”story”>…</p>

# u’…’

# u’\n’

# None

1
2
3
4
5
6
7
8
9
for element in last_a_tag.next_elements:
    print(repr(element))
# u’Tillie’
# u’;\nand they lived at the bottom of a well.’
# u’\n\n’
# <p class=”story”>…</p>
# u’…’
# u’\n’
# None

以上是遍历文档树的基本用法。

5.搜索文档树

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

find_all() 方法搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件

1）name 参数

name 参数可以查找所有名字为 name 的tag,字符串对象会被自动忽略掉

A.传字符串

最简单的过滤器是字符串.在搜索方法中传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容,下面的例子用于查找文档中所有的<b>标签

soup.find_all(‘b’)

# [<b>The Dormouse’s story</b>]

1
2
soup.find_all(‘b’)
# [<b>The Dormouse’s story</b>]


print soup.find_all(‘a’)

#[<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>, <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>, <a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</a>]

1
2
print soup.find_all(‘a’)
#[<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>, <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>, <a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</a>]

B.传正则表达式

如果传入正则表达式作为参数,Beautiful Soup会通过正则表达式的 match() 来匹配内容.下面例子中找出所有以b开头的标签,这表示<body>和<b>标签都应该被找到

import re
for tag in soup.find_all(re.compile(“^b”)):
print(tag.name)

# body

# b

1
2
3
4
5
import re
for tag in soup.find_all(re.compile(“^b”)):
    print(tag.name)
# body
# b

C.传列表

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

soup.find_all([“a”, “b”])

# [<b>The Dormouse’s story</b>,

# <a class=”sister” href=”http://example.com/elsie” id=”link1”>Elsie</a>,

# <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>,

# <a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</a>]

1
2
3
4
5
soup.find_all([“a”, “b”])
# [<b>The Dormouse’s story</b>,
#  <a class=”sister” href=”http://example.com/elsie” id=”link1”>Elsie</a>,
#  <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>,
#  <a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</a>]

D.传 True

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

for tag in soup.find_all(True):
print(tag.name)

# html

# head

# title

# body

# p

# b

# p

# a

# a

1
2
3
4
5
6
7
8
9
10
11
for tag in soup.find_all(True):
    print(tag.name)
# html
# head
# title
# body
# p
# b
# p
# a
# a

E.传方法

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 [4] ,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

下面方法校验了当前元素,如果包含 class 属性却不包含 id 属性,那么将返回 True:

def has_class_but_no_id(tag):
return tag.has_attr(‘class’) and not tag.has_attr(‘id’)
1
2
def has_class_but_no_id(tag):
    return tag.has_attr(‘class’) and not tag.has_attr(‘id’)

将这个方法作为参数传入 find_all() 方法,将得到所有<p>标签:

soup.find_all(has_class_but_no_id)

# [<p class=”title”><b>The Dormouse’s story</b></p>,

# <p class=”story”>Once upon a time there were…</p>,

# <p class=”story”>…</p>]

1
2
3
4
soup.find_all(has_class_but_no_id)
# [<p class=”title”><b>The Dormouse’s story</b></p>,
#  <p class=”story”>Once upon a time there were…</p>,
#  <p class=”story”>…</p>]

2）keyword 参数

注意：如果一个指定名字的参数不是搜索内置的参数名,搜索时会把该参数当作指定名字tag的属性来搜索,如果包含一个名字为 id 的参数,Beautiful Soup会搜索每个tag的”id”属性

soup.find_all(id=’link2’)

# [<a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>]

1
2
soup.find_all(id=‘link2’)
# [<a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>]

如果传入 href 参数,Beautiful Soup会搜索每个tag的”href”属性

soup.find_all(href=re.compile(“elsie”))

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

1
2
soup.find_all(href=re.compile(“elsie”))
# [<a class=”sister” href=”http://example.com/elsie” id=”link1”>Elsie</a>]

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(“elsie”), id=’link1’)

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

1
2
soup.find_all(href=re.compile(“elsie”), id=‘link1’)
# [<a class=”sister” href=”http://example.com/elsie” id=”link1”>three</a>]

在这里我们想用 class 过滤，不过 class 是 python 的关键词，这怎么办？加个下划线就可以

soup.find_all(“a”, class_=”sister”)

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

# <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>,

# <a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</a>]

1
2
3
4
soup.find_all(“a”, class_=“sister”)
# [<a class=”sister” href=”http://example.com/elsie” id=”link1”>Elsie</a>,
#  <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>,
#  <a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</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

1
2
3
data_soup = BeautifulSoup(‘<div data-foo=”value”>foo!</div>’)
data_soup.find_all(data-foo=“value”)
# 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

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

# [<div data-foo=”value”>foo!</div>]

1
2
data_soup.find_all(attrs={“data-foo”: “value”})
# [<div data-foo=”value”>foo!</div>]

3）text 参数

通过 text 参数可以搜搜文档中的字符串内容.与 name 参数的可选值一样, text 参数接受 字符串 , 正则表达式 , 列表, True

soup.find_all(text=”Elsie”)

# [u’Elsie’]

soup.find_all(text=[“Tillie”, “Elsie”, “Lacie”])

# [u’Elsie’, u’Lacie’, u’Tillie’]

soup.find_all(text=re.compile(“Dormouse”))
[u”The Dormouse’s story”, u”The Dormouse’s story”]

1
2
3
4
5
6
7
8
soup.find_all(text=“Elsie”)
# [u’Elsie’]
 
soup.find_all(text=[“Tillie”, “Elsie”, “Lacie”])
# [u’Elsie’, u’Lacie’, u’Tillie’]
 
soup.find_all(text=re.compile(“Dormouse”))
[u“The Dormouse’s story”, u“The Dormouse’s story”]

4）limit 参数

find_all() 方法返回全部的搜索结构,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.

文档树中有3个tag符合搜索条件,但结果只返回了2个,因为我们限制了返回数量

soup.find_all(“a”, limit=2)

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

# <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>]

1
2
3
soup.find_all(“a”, limit=2)
# [<a class=”sister” href=”http://example.com/elsie” id=”link1”>Elsie</a>,
#  <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>]

5）recursive 参数

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 .

一段简单的文档:

<html>
<head>
<title>
The Dormouse’s story
</title>
</head>
…
1
2
3
4
5
6
7
<html>
<head>
  <title>
   The Dormouse’s story
  </title>
</head>
...

是否使用 recursive 参数的搜索结果:

soup.html.find_all(“title”)

# [<title>The Dormouse’s story</title>]

soup.html.find_all(“title”, recursive=False)

# []

1
2
3
4
5
soup.html.find_all(“title”)
# [<title>The Dormouse’s story</title>]
 
soup.html.find_all(“title”, recursive=False)
# []

（2）find( name , attrs , recursive , text , **kwargs )

它与 find_all() 方法唯一的区别是 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

（3）find_parents()  find_parent()

find_all() 和 find() 只搜索当前节点的所有子节点,孙子节点等. find_parents() 和 find_parent() 用来搜索当前节点的父辈节点,搜索方法与普通tag的搜索方法相同,搜索文档搜索文档包含的内容

（4）find_next_siblings()  find_next_sibling()

这2个方法通过 .next_siblings 属性对当 tag 的所有后面解析的兄弟 tag 节点进行迭代, find_next_siblings() 方法返回所有符合条件的后面的兄弟节点,find_next_sibling() 只返回符合条件的后面的第一个tag节点

（5）find_previous_siblings()  find_previous_sibling()

这2个方法通过 .previous_siblings 属性对当前 tag 的前面解析的兄弟 tag 节点进行迭代, find_previous_siblings() 方法返回所有符合条件的前面的兄弟节点, find_previous_sibling() 方法返回第一个符合条件的前面的兄弟节点

（6）find_all_next()  find_next()

这2个方法通过 .next_elements 属性对当前 tag 的之后的 tag 和字符串进行迭代, find_all_next() 方法返回所有符合条件的节点, find_next() 方法返回第一个符合条件的节点

（7）find_all_previous() 和 find_previous()

这2个方法通过 .previous_elements 属性对当前节点前面的 tag 和字符串进行迭代, find_all_previous() 方法返回所有符合条件的节点, find_previous()方法返回第一个符合条件的节点

注：以上（2）（3）（4）（5）（6）（7）方法参数用法与 find_all() 完全相同，原理均类似，在此不再赘述。

6.CSS选择器

我们在写 CSS 时，标签名不加任何修饰，类名前加点，id名前加 #，在这里我们也可以利用类似的方法来筛选元素，用到的方法是 soup.select()，返回类型是 list

（1）通过标签名查找

print soup.select(‘title’)

#[<title>The Dormouse’s story</title>]

1
2
print soup.select(‘title’) 
#[<title>The Dormouse’s story</title>]


print soup.select(‘a’)

#[<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>, <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>, <a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</a>]

1
2
print soup.select(‘a’)
#[<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>, <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>, <a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</a>]


print soup.select(‘b’)

#[<b>The Dormouse’s story</b>]

1
2
print soup.select(‘b’)
#[<b>The Dormouse’s story</b>]

（2）通过类名查找

print soup.select(‘.sister’)

#[<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>, <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>, <a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</a>]

1
2
print soup.select(‘.sister’)
#[<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>, <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>, <a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</a>]

（3）通过 id 名查找

print soup.select(‘#link1’)

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

1
2
print soup.select(‘#link1’)
#[<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>]

（4）组合查找

组合查找即和写 class 文件时，标签名与类名、id名进行的组合原理是一样的，例如查找 p 标签中，id 等于 link1的内容，二者需要用空格分开

print soup.select(‘p #link1’)

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

1
2
print soup.select(‘p #link1’)
#[<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>]

直接子标签查找

print soup.select(“head > title”)

#[<title>The Dormouse’s story</title>]

1
2
print soup.select(“head > title”)
#[<title>The Dormouse’s story</title>]

（5）属性查找

查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到。

print soup.select(‘a[class=”sister”]’)

#[<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>, <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>, <a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</a>]

1
2
print soup.select(‘a[class=”sister”]’)
#[<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>, <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>, <a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</a>]


print soup.select(‘a[href=”http://example.com/elsie”]’)

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

1
2
print soup.select(‘a[href=”http://example.com/elsie”]’)
#[<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>]

同样，属性仍然可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格

print soup.select(‘p a[href=”http://example.com/elsie”]’)

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

1
2
print soup.select(‘p a[href=”http://example.com/elsie”]’)
#[<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>]

以上的 select 方法返回的结果都是列表形式，可以遍历形式输出，然后用 get_text() 方法来获取它的内容。

soup = BeautifulSoup(html, ‘lxml’)
print type(soup.select(‘title’))
print soup.select(‘title’)[0].get_text()

for title in soup.select(‘title’):
print title.get_text()

1
2
3
4
5
6
soup = BeautifulSoup(html, ‘lxml’)
print type(soup.select(‘title’))
print soup.select(‘title’)[0].get_text()
 
for title in soup.select(‘title’):
    print title.get_text()

好，这就是另一种与 find_all 方法有异曲同工之妙的查找方法，是不是感觉很方便？

总结

本篇内容比较多，把 Beautiful Soup 的方法进行了大部分整理和总结，不过这还不算完全，仍然有 Beautiful Soup 的修改删除功能，不过这些功能用得比较少，只整理了查找提取的方法，希望对大家有帮助！小伙伴们加油！

熟练掌握了 Beautiful Soup，一定会给你带来太多方便，加油吧！

参考链接：Python爬虫利器二之Beautiful Soup的用法

python库学习笔记——爬虫常用的BeautifulSoup的介绍的更多相关文章

  1. python自动化测试学习笔记-5常用模块

    上一次学习了os模块,sys模块,json模块,random模块,string模块,time模块,hashlib模块,今天继续学习以下的常用模块: 1.datetime模块 2.pymysql模块(3 ...

  2. python库学习笔记——BeautifulSoup处理子标签、后代标签、兄弟标签和父标签

    首先,我们来看一个简单的网页https://www.pythonscraping.com/pages/page3.html,打开后: 右键"检查"(谷歌浏览器)查看元素: 用导航树 ...

  3. python自动化测试学习笔记-4常用模块

    常用模块 1.os 2.sys 3.random 4.string 5.time 6.hashlib 一.os模块 os模块主要用来操作文件.目录,与操作系统无关.要使用os模块首先要导入OS模块,用 ...

  4. python库学习笔记——re库：正则表达式入门（一）

    什么是正则表达式? 我们在处理文本文件的时候,会按照某种规则查找某些特定的字符串.比方我们希望从一堆电子档案中找到人员的电话号码整理成通讯录.于是,我们可以利用特定字符串的规律编程获得我们想要的信息. ...

  5. python库学习笔记——分组计算利器：pandas中的groupby技术

    最近处理数据需要分组计算,又用到了groupby函数,温故而知新. 分组运算的第一阶段,pandas 对象(无论是 Series.DataFrame 还是其他的)中的数据会根据你所提供的一个或多个键被 ...

  6. python库学习笔记——Pandas数据索引：ix、loc、iloc区别

    Different Choices for Indexing 1. loc--通过行标签索引行数据 1.1 loc[1]表示索引的是第1行(index 是整数) import pandas as pd ...

  7. Python学习笔记之常用函数及说明

    Python学习笔记之常用函数及说明 俗话说"好记性不如烂笔头",老祖宗们几千年总结出来的东西还是有些道理的,所以,常用的东西也要记下来,不记不知道,一记吓一跳,乖乖,函数咋这么多 ...

  8. python 库安装笔记

    python 库安装笔记 zoerywzhou@163.com http://www.cnblogs.com/swje/ 作者:Zhouwan 2017-2-22 友情提示 安装python库的过程中 ...

  9. python 库安装方法及常用库

    python 库安装方法及常用库 python库安装方法: 方法一:setpu.py 1.下载库压缩包,解压,记录下路径:*:/**/……/ 2.运行cmd,切换到*:/**/……/目录下 3.运行s ...

随机推荐

  1. 是时候学习真正的 spark 技术了

     
 spark sql 可以说是 spark 中的精华部分了,我感觉整体复杂度是 spark streaming 的 5 倍以上,现在 spark 官方主推 structed streaming, ...

  2. 道路游戏（洛谷 P1070）

    题目描述 小新正在玩一个简单的电脑游戏. 游戏中有一条环形马路,马路上有 n 个机器人工厂,两个相邻机器人工厂之间由一小段马路连接.小新以某个机器人工厂为起点,按顺时针顺序依次将这 n 个机器人工厂编 ...

  3. hdu 2736 Average distance

    传送门 Average distance Time Limit: 1000/1000 MS (Java/Others)    Memory Limit: 32768/32768 K (Java/Oth ...

  4. Codeforces 659D Bicycle Race【计算几何】

    题目链接: http://codeforces.com/contest/659/problem/D 题意: 若干条直线围城的湖,给定直线的端点,判断多少个转点会有危险?(危险是指直走的的话会掉进水里) ...

  5. POJ 3013 【需要一点点思维...】【乘法分配率】

    题意: (这题明显感觉自己是英语渣) 给n个点从1到n标号,下面一行是每个点的权,另外给出m条边,下面是每条边的信息,两个端点+权值,边是无向边.你的任务是选出一些边,使这个图变成一棵树.这棵树的花费 ...

  6. 碧砚适合佳能328 4452 ICD520 4472 4450 硒鼓4700一体机墨盒4770

  7. unique函数（STL）

    unique()函数是一个去重函数,STL中unique的函数 unique的功能是去除相邻的重复元素(只保留一个),还有一个容易忽视的特性是它并不真正把重复的元素删除.他是c++中的函数,所以头文件 ...

  8. APUE 线程 - 程序清单

    APUE 线程 - 程序清单 程序清单11-1 打印线程ID #include "util.h" #include<pthread.h> pthread_t ntid; ...

  9. csv读入数据，用julia/matplotlib/pyplot 画矢量图导入word中

    这是是用julia来实现画图.julia有三个画图库:Winston.Gadfly.PyPlot 这里用的是pyplot,事实上他是基于matplotlib的 1.首先在juno里安装两个库 juno ...

  10. java实用技能 上传文件 等等

    1.IOS  AES对称加密,加密结果不同,问题解决 IOS http post请求,使用AFNetworing 框架,默认请求content-type为application/json ,所以无法使 ...