Beautifulsoup模块

时间  2019-12-10
标签 beautifulsoup 模块 繁體版
原文   原文链接

阅读目录css

 

  • 一 介绍
  • 二 基本使用
  • 三 遍历文档树
  • 四 搜索文档树
  • 五 修改文档树
  • 六 总结

一 介绍

Beautiful Soup 是一个能够从HTML或XML文件中提取数据的Python库.它可以经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做时间.你可能在寻找 Beautiful Soup3 的文档,Beautiful Soup 3 目前已经中止开发,官网推荐在如今的项目中使用Beautiful Soup 4, 移植到BS4html

#安装 Beautiful Soup
pip install beautifulsoup4

#安装解析器
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 .根据操做系统不一样,能够选择下列方法来安装lxml:

$ apt-get install Python-lxml

$ easy_install lxml

$ pip install lxml

另外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,能够选择下列方法来安装html5lib:

$ apt-get install Python-html5lib

$ easy_install html5lib

$ pip install html5lib

二 基本使用

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><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>
"""

# 基本使用：容错处理，文档的容错能力指的实在htmldiamagnetic不完整的状况下，使用该模块能够识别该错误。使用BeautifulSoup解析上述代码，可以获得一个BeautifulSoup对象，并能按照标准的缩进格式的结构输出

from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc, 'lxml')    # 具备容错功能
res = soup.prettify()    # 处理好缩进，结构化显示
print(res)

三 遍历文档树

# 遍历文档树：即直接经过标签名字选择，特色是选择速度看，但若是存在多个相同的标签则只返回第一个

# 1、用法
# 2、获取标签的名称
# 3、获取标签的属性
# 4、获取标签的内容
# 5、嵌套选择
# 6、子节点、子孙节点
# 7、父节点、祖先节点
# 8、兄弟节点
# 遍历文档树：即直接经过标签名字选择，特色是选择速度快，但若是存在多个相同的标签则只返回第一个
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p id="my p" class="title"><b id="bbb" class="boldest">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、用法
from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc, 'lxml')
# soup = BeautifulSoup(open('a.html'), 'lxml')

print(soup.p)    # 存在多个相同的标签则只返回第一个
print(soup.a)    # 存在多个相同的标签则只返回第一个


# 2、获取标签的名称
print(soup.p.name)

# 3、获取标签的属性
print(soup.p.attrs)

# 4、获取标签的内容
print(soup.p.string)    # p下的文档只有一个时，取到，不然为None
print(soup.p.strings)    # 拿到一个生成器对象，取到p下全部的文本内容
print(soup.p.text)    # 取到p下全部的文本内容
for line in soup.stripped_strings:    # 去掉空白
    print(line)

'''
若是tag包含了多个子节点,tag就没法肯定 .string 方法应该调用哪一个子节点的内容, .string 的输出结果是 None，若是只有一个子节点那么就输出该子节点的文本，好比下面的这种结构，soup.p.string 返回为None,但soup.p.strings就能够找到全部文本
<p id='list-1'>
    哈哈哈哈
    <a class='sss'>
        <span>
            <h1>aaaa</h1>
        </span>
    </a>
    <b>bbbbb</b>
</p>
'''

# 5、嵌套选择
print(soup.head.title.string)
print(soup.body.a.string)

# 6、子节点，子孙节点
print(soup.p.contents)    # p下全部子节点
print(soup.p.children)     # 获得一个迭代器，包含p下全部子节点

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

print(soup.p.descendants) #获取子孙节点,p下全部的标签都会选择出来
for i,child in enumerate(soup.p.descendants):
    print(i,child)

# 7、父节点，祖先节点
print(soup.a.parent)    # 获取a标签的父节点
print(soup.a.parents)    # 找到a标签全部的祖先节点

# 8、兄弟节点
print('======>')
print(soup.a.next_sibling)    # 下一个兄弟
print(soup.a.previous_sibling)     # 上一个兄弟

print(list(soup.a.next_siblings)) #下面的兄弟们=>生成器对象
print(soup.a.previous_siblings) #上面的兄弟们=>生成器对象

四 搜索文档树

一、五种过滤器html5

#搜索文档树：BeautifulSoup定义了不少搜索方法,这里着重介绍2个: find() 和 find_all() .其它方法的参数和用法相似
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p id="my p" class="title"><b id="bbb" class="boldest">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_doc,'lxml')

#1、五种过滤器: 字符串、正则表达式、列表、True、方法
#1.1、字符串：即标签名
print(soup.find_all('b'))

#1.2、正则表达式
import re
print(soup.find_all(re.compile('^b'))) #找出b开头的标签，结果有body和b标签

#1.3、列表：若是传入列表参数,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全部<a>标签和<b>标签:
print(soup.find_all(['a','b']))

#1.4、True：能够匹配任何值,下面代码查找到全部的tag,可是不会返回字符串节点
print(soup.find_all(True))
for tag in soup.find_all(True):
    print(tag.name)

#1.5、方法:若是没有合适过滤器,那么还能够定义一个方法,方法只接受一个元素参数 ,若是这个方法返回 True 表示当前元素匹配而且被找到,若是不是则反回 False
def has_class_but_no_id(tag):
    return tag.has_attr('class') and not tag.has_attr('id')

print(soup.find_all(has_class_but_no_id))
View Code

二、find_all( name , attrs , recursive , text , **kwargs )正则表达式

#2、find_all( name , attrs , recursive , text , **kwargs )
#2.1、name: 搜索name参数的值可使任一类型的 过滤器 ,字符窜,正则表达式,列表,方法或是 True .
print(soup.find_all(name=re.compile('^t')))

#2.2、keyword: key=value的形式，value能够是过滤器：字符串 , 正则表达式 , 列表, True .
print(soup.find_all(id=re.compile('my')))
print(soup.find_all(href=re.compile('lacie'),id=re.compile('\d'))) #注意类要用class_
print(soup.find_all(id=True)) #查找有id属性的标签

# 有些tag属性在搜索不能使用,好比HTML5中的 data-* 属性:
data_soup = BeautifulSoup('<div data-foo="value">foo!</div>','lxml')
# data_soup.find_all(data-foo="value") #报错：SyntaxError: keyword can't be an expression
# 可是能够经过 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:
print(data_soup.find_all(attrs={"data-foo": "value"}))
# [<div data-foo="value">foo!</div>]

#2.3、按照类名查找，注意关键字是class_，class_=value,value能够是五种选择器之一
print(soup.find_all('a',class_='sister')) #查找类为sister的a标签
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
print(soup.find_all(class_=re.compile('^sis'))) #查找类为sister的全部标签

#2.4、attrs
print(soup.find_all('p',attrs={'class':'story'}))

#2.5、text: 值能够是：字符，列表，True，正则
print(soup.find_all(text='Elsie'))
print(soup.find_all('a',text='Elsie'))

#2.6、limit参数:若是文档树很大那么搜索会很慢.若是咱们不须要所有结果,可使用 limit 参数限制返回结果的数量.效果与SQL中的limit关键字相似,当搜索到的结果数量达到 limit 的限制时,就中止搜索返回结果
print(soup.find_all('a',limit=2))

#2.7、recursive:调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的全部子孙节点,若是只想搜索tag的直接子节点,可使用参数 recursive=False .
print(soup.html.find_all('a'))
print(soup.html.find_all('a',recursive=False))

'''
像调用find_all()同样调用tag
find_all()几乎是Beautiful Soup中最经常使用的搜索方法，因此咱们定义了它的简写方法。BeautifulSoup对象和tag对象能够被看成一个方法来使用，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：
soup.find_all("a")
soup("a")
这两行代码也是等价的:
soup.title.find_all(text=True)
soup.title(text=True)
View Code

三、find( name , attrs , recursive , text , **kwargs )express

#3、find( name , attrs , recursive , text , **kwargs )
find_all() 方法将返回文档中符合条件的全部tag,尽管有时候咱们只想获得一个结果.好比文档中只有一个<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:

soup.find_all('title', limit=1)
# [<title>The Dormouse's story</title>]
soup.find('title')
# <title>The Dormouse's story</title>

惟一的区别是 find_all() 方法的返回结果是只包含一个元素的列表，而find（）方法直接返回结果。
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

soup.head.title 是 tag的名字 方法的简写.这个简写的原理就是屡次调用当前tag的 find() 方法:

soup.head.title
# <title>The Dormouse's story</title>
soup.find("head").find("title")
# <title>The Dormouse's story</title>
View Code

四、其余方法浏览器

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

五、CSS选择器ide

#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
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title">
    <b>The Dormouse's story</b>
    Once upon a time there were three little sisters; and their names were
    <a href="http://example.com/elsie" class="sister" id="link1">
        <span>Elsie</span>
    </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>;
    <div class='panel-1'>
        <ul class='list' id='list-1'>
            <li class='element'>Foo</li>
            <li class='element'>Bar</li>
            <li class='element'>Jay</li>
        </ul>
        <ul class='list list-small' id='list-2'>
            <li class='element'><h1 class='yyyy'>Foo</h1></li>
            <li class='element xxx'>Bar</li>
            <li class='element'>Jay</li>
        </ul>
    </div>
    and they lived at the bottom of a well.
</p>
<p class="story">...</p>
"""

from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc, 'lxml')

# 1、CSS选择器
print(soup.p.select('.sister'))
print(soup.select('.sister span'))

print(soup.select('#link1'))
print(soup.select('#link1 span'))

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

print(soup.select('#list-2')[0].select('.element')) #能够一直select,但其实不必,一条select就能够了

# 2、获取属性
print(soup.select('#list-2 h1')[0].attrs)

# 3、获取内容
print(soup.select('#list-2 h1')[0].get_text())

5、修改文档树

连接：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#id40spa

6、总结

# 总结
# 1、推荐使用lxml解析库
# 2、讲了三种选择器：标签选择器，find与find_all,css选择器
    1、标签选择器筛选功能弱，可是速度快
    2、建议使用find，find_all查询匹配单个结果或者多个结果
    3、若是对css选择器很是熟悉建议使用select
# 3、记住经常使用的获取属性 attrs和文本值 get_text()的方法
相关文章
相关标签/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公众号
   欢迎关注本站公众号,获取更多信息
联系我们 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程