BeatifulSoup 模块

介绍

Beautiful Soup 是一个能够从HTML或XML文件中提取数据的Python库css

安装

pip install beautifulsoup4

解析器下载html

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

解析器

下表列出了主要的解析器,以及它们的优缺点,html5

官网推荐使用 lxml 做为解析器,由于效率更高.正则表达式

在Python2.7.3以前的版本和Python3中3.2.2以前的版本, 必须安装lxml或html5lib,express

由于那些Python版本的标准库中内置的HTML解析方法不够稳定.浏览器

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是在html代码不完整的状况下,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 的对象,并能按照标准的缩进格式的结构输出

# 导入
from bs4 import BeautifulSoup # 建立对象
soup = BeautifulSoup(html_doc, 'lxml')  # 推荐使用 lxml, 容错性好
 res = soup.prettify()  # 处理好缩进，结构化显示
print(res)

遍历文档树

即直接经过标签名字选择，特色是选择速度快，spa

但若是存在多个相同的标签则只返回第一个操作系统

#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 #一、用法 #二、获取标签的名称 #三、获取标签的属性 #四、获取标签的内容 #五、嵌套选择 #六、子节点、子孙节点 #七、父节点、祖先节点 #八、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> """

#一、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

#二、获取标签的名称
print(soup.p.name) #三、获取标签的属性
print(soup.p.attrs) #四、获取标签的内容
print(soup.p.string) # p下的文本只有一个时，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> '''

#五、嵌套选择
print(soup.head.title.string) print(soup.body.a.string) #六、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) #七、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，父亲的父亲，父亲的父亲的父亲...


#八、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

搜索文档数

五种过滤器

from bs4 import BeautifulSoup html_doc = '''<html><head><title>The Dormouse's story</title></head> <body> <p class="title"><b>The Dormouse's story</b></p> <p class="title"><b>$75</b></p> <p id="meiyuan">啦啦啦啦啦啦</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>''' soup = BeautifulSoup(html_doc, "lxml") # 一、字符串：特色：是一种彻底匹配的
print(soup.find_all(name="a"))  # 找到全部的a标签
print(soup.find_all(name="a aa"))  # 找不到，会打印一个[]
print(soup.find_all(attrs={"class": "sister"})) print(soup.find_all(text="The Dormouse's story"))  # 按照文原本找
print(soup.find_all(name="b", text="The Dormouse's story"))  # 找标签名是b，而且文本是The Dormouse's story
print(soup.p.find(name="b").text)  # 第一个p标签的b里面的文本
print(soup.find_all(name="p", attrs={"class": "story"}))  # 找到标签名是p,属性名是class,
print(soup.find(name="p", attrs={"class": "story"}).find_all(name="a")[2])  # 找到标签名是p,属性名是class的第二个a标签

# 二、正则
import re print(soup.find_all(name=re.compile("^b")))  # 找b开头的的标签
print(soup.find_all(attrs={"id": re.compile("link")}))  # 找到id属性是link的
print(soup.find_all(text=re.compile(r"\$")))  # 找带有$价钱的文本

# 三、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.
print(soup.find_all(name=["a", re.compile("^b")]))  # 找a标签或者b标签开头的全部的标签
print(soup.find_all(text=["$", ]))  # 找不到
print(soup.find_all(text=[re.compile(r"\$")]))  # ['$75']
print(soup.find_all(text=["a", re.compile(r"\$")])) # 四、True：能够匹配任何值
print(soup.find_all(name=True))  # 找到全部标签的标签名
print(soup.find_all(attrs={"id": True}))  # 找到只要有id属性的
print(soup.find_all(name="p", attrs={"id": True}))  # 找到有id属性的p标签


# 五、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_not_id(tag):  # 有 class 属性没有 id 的
    return tag.has_attr('class') and not tag.has_attr('id') # return tag.has_attr('id') and not tag.has_attr('class')

# def only_a(tag): 　　# return tag.name =="a" and tag.has_attr("class") and not tag.has_attr("id") #只找a标签

print(soup.find_all(has_class_not_id))  # 默认是按照标签来找的
print(soup.find_all(name="a", limit=2))  # 找全部的a标签，只找前两个
print(soup.body.find_all(attrs={"class": "sister"}, recursive=False))  # 找属性为 sister 的
print(soup.html.find_all('a')) print(soup.html.find_all('a', recursive=False)) # recursive = True # 从子子孙孙都找到了 # recursive = False # 若是只想搜索tag的直接子节点（就不往里面找了）,可使用参数 recursive=False .


# **kwargs
print(soup.find_all(attrs={"class": "sister"})) print(soup.find_all(class_="sister"))  # 这两个是同样的

print(soup.find_all(attrs={"id": "link3"}))  # 这两个是同样的，只是表示方式不同
print(soup.find_all(id="link3"))

find_all

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

#二、find_all( name , attrs , recursive , text , **kwargs ) #2.一、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'))) #2.二、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>]

#2.三、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

#2.四、attrs
print(soup.find_all('p',attrs={'class':'story'})) #2.五、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')) #2.六、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)) #2.七、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)) '''
简写 
 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) '''

find

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

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() 方法的返回结果是值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 .
print(soup.find("nosuchtag")) # 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
soup.find("head").find("title") # <title>The Dormouse's story</title>

CSS选择器

#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') #一、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

# 二、获取属性
print(soup.select('#list-2 h1')[0].attrs) # 三、获取内容
print(soup.select('#list-2 h1')[0].get_text())

其余方法

官网查看

修改文档树

官网查看

总结

一、推荐使用lxml解析库

二、三种选择器: 标签选择器, find 与 find_all，css选择器

　　一、标签选择器筛选功能弱,可是速度快

　　二、建议使用find,find_all查询匹配单个结果或者多个结果

　　三、若是对css选择器很是熟悉建议使用select

三、记住经常使用的获取属性 attrs 和文本值 get_text() 的方法

爬虫 BeatifulSoup 模块