BeautifulSoup基本步骤

http://blog.csdn.net/kikaylee/article/details/56841789

’BeautifulSoup是Python的一个库，最主要的功能就是从网页爬取我们需要的数据。BeautifulSoup将html解析为对象进行处理，全部页面转变为字典或者数组，相对于正则表达式的方式，可以大大简化处理过程。

0x01 安装

建议安装BeautifulSoup 4版本 利用pip进行安装:

pip install beautifulsoup4

• 1

BeautifulSoup默认支持Python的标准HTML解析库，但是它也支持一些第三方的解析库：

序号	解析库	使用方法	优势	劣势
1	Python标准库	BeautifulSoup(html,’html.parser’)	Python内置标准库；执行速度快	容错能力较差
2	lxml HTML解析库	BeautifulSoup(html,’lxml’)	速度快；容错能力强	需要安装，需要C语言库
3	lxml XML解析库	BeautifulSoup(html,[‘lxml’,’xml’])	速度快；容错能力强；支持XML格式	需要C语言库
4	htm5lib解析库	BeautifulSoup(html,’htm5llib’)	以浏览器方式解析，最好的容错性	速度慢

0x02 创建对象

导入库：

from bs4 import BeautifulSoup

• 1

创建实例：

url='http://www.baidu.com'
resp=urllib2.urlopen(url)
html=resp.read()

• 1
• 2
• 3

创建对象：

bs=BeautifulSoup(html)

• 1
• 2

格式化输出内容：

print bs.prettify()

• 1

0x03 对象种类

BeautifulSoup将复杂的html文档转换为树形结构，每一个节点都是一个对象，这些对象可以归纳为几种：

（1）Tag

Tag相当于html种的一个标签：

#提取Tag
print bs.title
print type(bs.title)

• 1
• 2
• 3

结果：

<title>百度一下，你就知道</title>
<class 'bs4.element.Tag'>

• 1
• 2

对于Tag，有几个重要的属性：

name:每个Tag对象的name就是标签本省的名称； 
attrs:每个Tag对象的attrs就是一个字典，包含了标签的全部属性。

print bs.a.name
print bs.a.attrs

• 1
• 2

输出：

a
{u'href': u'/', u'id': u'result_logo', u'onmousedown': u"return c({'fm':'tab','tab':'logo'})"}

• 1
• 2

（2）NavigableString

Comment是一种特殊的NavigableString，对应的是注释的内容，但是其输出不包含注释符。看这样的一个例子：

#coding:utf-8
from bs4 import BeautifulSoup
html='''
<a class="css" href="http://example.com/test" id="test"><!--test --></a>
'''
bs=BeautifulSoup(html,"html.parser")
print bs.a
print bs.a.string

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10

运行结果：

<a class="css" href="http://example.com/test" id="test"><!--def --></a>

• 1

a标签的内容是注释，但是使用.string仍然输出了。这种情况下，我们需要做下判断：

#判断是否是注释
if type(bs.a.string)==element.Comment:
    print bs.a.string

• 1
• 2
• 3

再看下面的例子：

<a class="css1" href="http://example.com/cdd" id="css">abc<!--def -->gh</a>

• 1

内容是注释和字符串混合，此时可以用contents获取全部对象：

for i in bs.a.contents:
    print i

• 1
• 2

如果需要忽略注释内容的话，可以利用get_text()或者.text：

print bs.a.get_text()

• 1

如果想在BeautifulSoup之外使用 NavigableString 对象，需要调用unicode()方法，将该对象转换成普通的Unicode字符串，否则就算BeautifulSoup已方法已经执行结束，该对象的输出也会带有对象的引用地址，这样会浪费内存。

0x04 搜索文档树

重点介绍下find_all()方法：

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

• 1

（1）name参数

name参数可以查找所有名字为name的Tag，字符串对象自动忽略掉。

print bs.find_all('a')

• 1

传列表：

print bs.find_all(['a','b'])

• 1

传入正则表达式：

print bs.find_all(re.compile('^b'))

• 1

所有以b开头的标签对象都会被找到。 
传递方法：

def has_class_but_not_id(tag):
    return tag.has_attr('class') and not tag.has_attr('id')
print bs.find_all(has_class_but_not_id)

• 1
• 2
• 3

（2）kwyowrds关键字

print bs.find_all(id='css')
print bs.find_all(id=re.compile('^a'))

• 1
• 2

还可以混合使用：

print bs.find_all(id='css',href=re.compile('^ex'))

• 1

可以使用class作为过滤，但是class是Python中的关键字，可以使用class_代替，或者采用字典的形式传输参数：

print bs.find_all(class_='css')
print bs.find_all(attrs={'class':'css'})

• 1
• 2

（3）text参数

用来搜索文档中的字符串内容，text参数也接收字符串、正则表达式、列表、True等参数。

print bs.find_all(text=re.compile('^abc'))

• 1

（4）limit参数

限制返回对象的个数，与数据库SQL查询类似。

（5）recursive参数

调用tag的find_all()方法时，BeautifulSoup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。

0x05 CSS选择器

可以采用CSS的语法格式来筛选元素：

#标签选择器
print bs.select('a')
#类名选择器
print bs.select('.css')
#id选择器
print bs.select('#css')
#属性选择器
print bs.select('a[class="css"]')
#遍历
for tag in bs.select('a'):
    print tag.get_text()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

对于喜欢用CSS语法的人来说，这种方式非常方便。如果你仅仅需要CSS选择器的功能，那么直接使用 lxml 也可以，而且速度更快，支持更多的CSS选择器语法，但Beautiful Soup整合了CSS选择器的语法和自身方便使用API。