解析库之re、beautifulsoup、pyquery

时间 2019-12-13

标签解析 beautifulsoup pyquery 繁體版

原文原文链接

BeatifulSoup模块

1、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BS4css

#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

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做为解析器,由于效率更高. 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, 由于那些Python版本的标准库中内置的HTML解析方法不够稳定.html

中文文档：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.htmlhtml5

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正则表达式

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)

3、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> """

#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

View Code

soup = BeautifulSoup(html_doc,"lxml")  #第一个参数指定文本内容，第二个参数解析器

# soup = BeautifulSoup(open("a.html"),"lxml") #也能够打开一个文件建立实例
print(soup.prettify())  #容错性的体现，自动补全
print(soup.a)  #只找到了一个，并且是从整个文档树找
print(soup.a.text)   #找到a标签里面的文本
print(soup.text)   #找整个文档树种全部的文本
print(soup.a.attrs)   #找a标签的全部属性，字典形式
print(soup.a.attrs["href"])  #找a标签的href属性
print(soup.p.b)  #嵌套查找，这是只找一个
print(soup.p.contents)  #子节点，找到的是一个闭标签
print(list(soup.p.children )) #获得生成器
print(list(soup.p.descendants))  #全部的子子孙孙
print(soup.a.parent)#找父亲
print(list(soup.a.parent))#父亲的父亲的父亲

print(soup.p.find_all() ) #标签名能够和find能够结合在一块儿使用

基本使用

4、搜索文档数

一、五种过滤器

#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') #一、五种过滤器: 字符串、正则表达式、列表、True、方法 #1.一、字符串：即标签名
print(soup.find_all('b')) #1.二、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

#1.三、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.下面代码找到文档中全部<a>标签和<b>标签:
print(soup.find_all(['a','b'])) #1.四、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) #1.五、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_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 )

#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)) ''' 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 )

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

View Code

四、其余方法

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

五、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())

View Code

5、修改文档数

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

6、总结

总结: #一、推荐使用lxml解析库 #二、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 #三、记住经常使用的获取属性attrs和文本值get_text()的方法

解析库之re、beautifulsoup、pyquery

BeatifulSoup模块

1、介绍

二 、基本使用

3、遍历文档树

4、搜索文档数

一、五种过滤器

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

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

四、其余方法

五、CSS选择器

5、修改文档数

6、总结

二、基本使用