本篇导航：

 
 
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

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

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、总结  

1、修改文档树

Beautiful Soup的强项是文档树的搜索,但同时也可以方便的修改文档树

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

2、小结

  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re，Beautifulsoup的更多相关文章

  1. 爬虫之解析库-----re、beautifulsoup、pyquery

    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 ...

  2. 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 ...

  3. 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 ...

  4. 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 ...

  5. 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 ...

  6. 【Python爬虫】BeautifulSoup网页解析库

    BeautifulSoup 网页解析库 阅读目录 初识Beautiful Soup Beautiful Soup库的4种解析器 Beautiful Soup类的基本元素 基本使用 标签选择器 节点操作 ...

  7. 爬虫解析库——BeautifulSoup

    解析库就是在爬虫时自己制定一个规则,帮助我们抓取想要的内容时用的.常用的解析库有re模块的正则.beautifulsoup.pyquery等等.正则完全可以帮我们匹配到我们想要住区的内容,但正则比较麻 ...

  8. 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 ...

  9. BeautifulSoup与Xpath解析库总结

    一.BeautifulSoup解析库 1.快速开始 html_doc = """ <html><head><title>The Dor ...

随机推荐

  1. CentOS7.2 设置静态ip

    先找到配置文件: [root@localhost bin]# cd /etc/sysconfig/network-scripts [root@localhost network-scripts]# l ...

  2. java.lang.OutOfMemoryError: Java heap space内存不足问题

    今晚,在定义一个new int[19001][13001]的数组时候内存不够:特转了一下方法: Exception in thread "main" java.lang.OutOf ...

  3. Java(4)switch选择结构

    一.switch结构(开关语句)的语法 switch(表达式 ){--->类型为int.char case  常量1 :--->case 结构可以有多个 //语句块1 break;---& ...

  4. 【linux】基础知识

    为什么学习Linux? 服务器大多数都是linux操作系统,学习[上线][运维]是我们前端开发工程师的必备技能.Linux系统和maxOS系统十分类似,所以推荐大家使用max电脑工作. Linux的版 ...

  5. sql server 2008 windows验证改为混合登陆SqlServer身份验证用户名密码

    安装过程中,SQL Server 数据库引擎设置为 Windows 身份验证模式或 SQL Server 和 Windows 身份验证模式.本主题介绍如何在安装后更改安全模式. 如果在安装过程中选择“ ...

  6. main 及Scanner

    通过main方法的args数组可以从控制台获取一组字符串数据. 1.Scanner类用于扫描从控制台输入的数据,可以接收字符串和基本数据类型的数据. 2.Scanner类位于java.util.Sca ...

  7. Spring基础4

    一.Spring的JDBC模板 Spring对持久层也提供了解决方案,ORM模块和JDBC模板 提高简化JDBC或Hibernate的模板 二.JDBC模板使用入门 1)引入jar包:Spring开发 ...

  8. DeepLearning.ai学习笔记（五）序列模型 -- week1 循环序列模型

    一.为什么选择序列模型 序列模型可以用于很多领域,如语音识别,撰写文章等等.总之很多优点... 二.数学符号 为了后面方便说明,先将会用到的数学符号进行介绍. 以下图为例,假如我们需要定位一句话中人名 ...

  9. LeetCode第十三题-将罗马数字转化为数字

    问题简介:将输入的String类型的罗马数字转化为int数值 问题详解:罗马数字由七个不同的符号表示:I,V,X,L,C,D和M 符号-数值 I - 1 V - 5 X -10 L - 50 C - ...

  10. Jetty - 教程

    Jetty使用教程(一)——开始使用Jetty : https://www.cnblogs.com/yiwangzhibujian/p/5832597.html jetty 的工作原理以及与 Tomc ...