爬虫基础库之beautifulsoup的简单使用

时间 2019-12-09

原文原文链接

beautifulsoup的简单使用

简单来讲，Beautiful Soup是python的一个库，最主要的功能是从网页抓取数据。官方解释以下：css

''' Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。 它是一个工具箱，经过解析文档为用户提供须要抓取的数据，由于简单，因此不须要多少代码就能够写出一个完整的应用程序。 '''

安装

 
         pip3 install beautifulsoup4

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，若是咱们不安装它，则 Python 会使用 Python默认的解析器，lxml 解析器更增强大，速度更快，推荐安装。html

 
         pip3 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:html5

 
         pip install html5lib

解析器对比　

官网文档python

快速开始

下面的一段HTML代码将做为例子被屡次用到.这是 爱丽丝梦游仙境的 的一段内容(之后内容中简称为 爱丽丝 的文档):正则表达式

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> """

使用BeautifulSoup解析这段代码,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:sql

from bs4 import BeautifulSoup soup = BeautifulSoup(html_doc, 'html.parser') print(soup.prettify())

几个简单的浏览结构化数据的方法:浏览器

soup.title
# <title>The Dormouse's story</title>  soup.title.name # u'title'  soup.title.string # u'The Dormouse's story'  soup.title.parent.name # u'head'  soup.p # <p class="title"><b>The Dormouse's story</b></p>  soup.p['class'] # u'title'  soup.a # <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>  soup.find_all('a') # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]  soup.find(id="link3") # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>

从文档中找到全部<a>标签的连接:函数

for link in soup.find_all('a'): print(link.get('href')) # http://example.com/elsie # http://example.com/lacie # http://example.com/tillie

从文档中获取全部文字内容:工具

print(soup.get_text())

如何使用

将一段文档传入BeautifulSoup 的构造方法,就能获得一个文档的对象, 能够传入一段字符串或一个文件句柄.spa

from bs4 import BeautifulSoup soup = BeautifulSoup(open("index.html")) soup = BeautifulSoup("<html>data</html>")

而后,Beautiful Soup选择最合适的解析器来解析这段文档,若是手动指定解析器那么Beautiful Soup会选择指定的解析器来解析文档。

对象的种类

Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构,每一个节点都是Python对象,全部对象能够概括为种

Tag , NavigableString , BeautifulSoup , Comment .

Tag

通俗点讲就是 HTML 中的一个个标签，Tag 对象与XML或HTML原生文档中的tag相同:

soup = BeautifulSoup('<b class="boldest">Extremely bold</b>') tag = soup.b type(tag) # <class 'bs4.element.Tag'>

tag的名字

soup对象再以爱丽丝梦游仙境的html_doc为例，操做文档树最简单的方法就是告诉它你想获取的tag的name.若是想获取 <head> 标签,只要用 soup.head :

soup.head
# <head><title>The Dormouse's story</title></head>  soup.title # <title>The Dormouse's story</title>

这是个获取tag的小窍门,能够在文档树的tag中屡次调用这个方法.下面的代码能够获取<body>标签中的第一个标签:

soup.body.b
# <b>The Dormouse's story</b>

经过点取属性的方式只能得到当前名字的第一个tag:

soup.a
# <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>

若是想要获得全部的<a>标签,或是经过名字获得比一个tag更多的内容的时候,就须要用到 Searching the tree 中描述的方法,好比: find_all()

soup.find_all('a') # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

咱们能够利用 soup加标签名轻松地获取这些标签的内容，注意，它查找的是在全部内容中的第一个符合要求的标签。

name和attributes属性

Tag有不少方法和属性,如今介绍一下tag中最重要的属性: name和attributes

每一个tag都有本身的名字,经过 .name 来获取:

tag.name
# u'b'  tag['class'] # u'boldest'  tag.attrs # {u'class': u'boldest'}

tag的属性能够被添加,删除或修改. 再说一次, tag的属性操做方法与字典同样

tag['class'] = 'verybold' tag['id'] = 1 tag # <blockquote class="verybold" id="1">Extremely bold</blockquote> del tag['class'] del tag['id'] tag # <blockquote>Extremely bold</blockquote>  tag['class'] # KeyError: 'class' print(tag.get('class')) # None

NavigableString(字符串)

既然咱们已经获得了标签的内容，那么问题来了，咱们要想获取标签内部的文字怎么办呢？很简单，用 .string 便可.

字符串常被包含在tag内.Beautiful Soup用 NavigableString 类来包装tag中的字符串，经过 unicode() 方法能够直接将 NavigableString 对象转换成Unicode字符串:

tag.string
# u'Extremely bold' type(tag.string) # <class 'bs4.element.NavigableString'>  unicode_string = unicode(tag.string) unicode_string # u'Extremely bold' type(unicode_string) # <type 'unicode'>

tag中包含的字符串不能编辑,可是能够被替换成其它的字符串,用 replace_with() 方法:

tag.string.replace_with("No longer bold") tag # <blockquote>No longer bold</blockquote>

BeautifulSoup

BeautifulSoup 对象表示的是一个文档的所有内容.大部分时候,能够把它看成 Tag 对象，是一个特殊的 Tag，咱们能够分别获取它的类型，名称，以及属性。

print type(soup.name) #<type 'unicode'> print soup.name # [document] print soup.attrs #{} 空字典

Comment

html_doc='<a href="http://example.com/elsie" class="sister" id="link1"><!-- Elsie --></a>' soup = BeautifulSoup(html_doc, 'html.parser') print(soup.a.string) # Elsie print(type(soup.a.string)) # <class 'bs4.element.Comment'>

a 标签里的内容其实是注释，可是若是咱们利用 .string 来输出它的内容，咱们发现它已经把注释符号去掉了，因此这可能会给咱们带来没必要要的麻烦。

另外咱们打印输出下它的类型，发现它是一个 Comment 类型，因此，咱们在使用前最好作一下判断，判断代码以下:

if type(soup.a.string)==bs4.element.Comment: print soup.a.string

上面的代码中，咱们首先判断了它的类型，是否为 Comment 类型，而后再进行其余操做，如打印输出。

beautifulsoup的遍历文档树

还拿”爱丽丝梦游仙境”的文档来作例子:

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> """ from bs4 import BeautifulSoup soup = BeautifulSoup(html_doc, 'html.parser')

经过这段例子来演示怎样从文档的一段内容找到另外一段内容

(1) 子节点

一个Tag可能包含多个字符串或其它的Tag,这些都是这个Tag的子节点.Beautiful Soup提供了许多操做和遍历子节点的属性.

注意: Beautiful Soup中字符串节点不支持这些属性,由于字符串没有子节点。

.contents 和 .children

tag的 .contents 属性能够将tag的子节点以列表的方式输出:

head_tag = soup.head
head_tag
# <head><title>The Dormouse's story</title></head>  head_tag.contents [<title>The Dormouse's story</title>]  title_tag = head_tag.contents[0] title_tag # <title>The Dormouse's story</title> title_tag.contents # [u'The Dormouse's story']

字符串没有 .contents 属性,由于字符串没有子节点:

text = title_tag.contents[0]
text.contents
# AttributeError: 'NavigableString' object has no attribute 'contents'

.children它返回的不是一个 list，不过咱们能够经过遍历获取全部子节点。咱们打印输出 .children 看一下，能够发现它是一个 list 生成器对象

经过tag的 .children 生成器,能够对tag的子节点进行循环:

print(title_tag.children)       # <list_iterator object at 0x101b78860> print(type(title_tag.children)) # <class 'list_iterator'> 

for child in title_tag.children: print(child) # The Dormouse's story

.descendants

.contents 和 .children 属性仅包含tag的直接子节点.例如,<head>标签只有一个直接子节点<title>

head_tag.contents
# [<title>The Dormouse's story</title>]

可是<title>标签也包含一个子节点:字符串 “The Dormouse’s story”,这种状况下字符串 “The Dormouse’s story”也属于<head>标签的子孙节点.

.descendants 属性能够对全部tag的子孙节点进行递归循环。

for child in head_tag.descendants: print(child) # <title>The Dormouse's story</title> # The Dormouse's story

上面的例子中, <head>标签只有一个子节点,可是有2个子孙节点:<head>节点和<head>的子节点, BeautifulSoup 有一个直接子节点(<html>节点),却有不少子孙节点:

len(list(soup.children))
# 1 len(list(soup.descendants)) # 25

(2) 节点内容

若是tag只有一个 NavigableString 类型子节点,那么这个tag可使用 .string 获得子节点。若是一个tag仅有一个子节点,那么这个tag也可使用 .string 方法,输出结果与当前惟一子节点的 .string 结果相同。

通俗点说就是：若是一个标签里面没有标签了，那么 .string 就会返回标签里面的内容。若是标签里面只有惟一的一个标签了，那么 .string 也会返回最里面的内容。例如：

print (soup.head.string) #The Dormouse's story print (soup.title.string) #The Dormouse's story

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

print (soup.html.string) #None

(3) 多个内容

 
         .strings  .stripped_strings 属性

.strings

获取多个内容，不过须要遍历获取，好比下面的例子：

for string in soup.strings:
    print(repr(string))
    
    
'''
  '\n'
"The Dormouse's story"
'\n'
'\n'
"The Dormouse's story"
'\n'
'Once upon a time there were three little sisters; and their names were\n'
'Elsie'
',\n'
'Lacie'
' and\n'
'Tillie'
';\nand they lived at the bottom of a well.'
'\n'
'...'
'\n'  
    
'''

.stripped_strings

输出的字符串中可能包含了不少空格或空行,使用 .stripped_strings 能够去除多余空白内容

for string in soup.stripped_strings:
    print(repr(string))


'''

"The Dormouse's story"
"The Dormouse's story"
'Once upon a time there were three little sisters; and their names were'
'Elsie'
','
'Lacie'
'and'
'Tillie'
';\nand they lived at the bottom of a well.'
'...'

'''

(4) 父节点

继续分析文档树,每一个tag或字符串都有父节点:被包含在某个tag中

.parent

经过 .parent 属性来获取某个元素的父节点.在例子“爱丽丝”的文档中,<head>标签是<title>标签的父节点:

title_tag = soup.title
title_tag
# <title>The Dormouse's story</title> title_tag.parent # <head><title>The Dormouse's story</title></head>

文档的顶层节点好比<html>的父节点是 BeautifulSoup 对象:

html_tag = soup.html
type(html_tag.parent)
# <class 'bs4.BeautifulSoup'>

.parents

经过元素的 .parents 属性能够递归获得元素的全部父辈节点,下面的例子使用了 .parents 方法遍历了<a>标签到根节点的全部节点.

link = soup.a
link
# <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a> for parent in link.parents: if parent is None: print(parent) else: print(parent.name) # p # body # html # [document] # None

(5) 兄弟节点

sibling_soup = BeautifulSoup("<a><b>text1</b><c>text2</c></b></a>")

.next_sibling 和 .previous_sibling

兄弟节点能够理解为和本节点处在统一级的节点，.next_sibling 属性获取了该节点的下一个兄弟节点，.previous_sibling 则与之相反，若是节点不存在，则返回 None

在文档树中,使用 .next_sibling 和 .previous_sibling 属性来查询兄弟节点:

sibling_soup.b.next_sibling
# <c>text2</c>  sibling_soup.c.previous_sibling # <b>text1</b>

注意：实际文档中的tag的 .next_sibling 和 .previous_sibling 属性一般是字符串或空白，由于空白或者换行也能够被视做一个节点，因此获得的结果多是空白或者换行

实际文档中的tag的 .next_sibling 和 .previous_sibling 属性一般是字符串或空白. 看看“爱丽丝”文档:

<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a> <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>

若是觉得第一个<a>标签的 .next_sibling 结果是第二个<a>标签,那就错了,真实结果是第一个<a>标签和第二个<a>标签之间的顿号和换行符:

link = soup.a
link
# <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>  link.next_sibling # u',\n'

第二个<a>标签是顿号的 .next_sibling 属性:

link.next_sibling.next_sibling
# <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>

所有兄弟节点

.next_siblings .previous_siblings 属性

经过 .next_siblings 和 .previous_siblings 属性能够对当前节点的兄弟节点迭代输出

for sibling in soup.a.next_siblings: print(repr(sibling)) '''
 ',\n' <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> ' and\n' <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a> ';\nand they lived at the bottom of a well.'

'''

先后节点

.next_element .previous_element 属性

与 .next_sibling .previous_sibling 不一样，它并非针对于兄弟节点，而是在全部节点，不分层次

好比 head 节点为

 
         < 
         head 
         >< 
         title 
         >The Dormouse's story</ 
         title 
         ></ 
         head 
         >

那么它的下一个节点即是 title，它是不分层次关系的

print(soup.head.next_element) #<title>The Dormouse's story</title>

全部先后节点

.next_elements .previous_elements 属性

经过 .next_elements 和 .previous_elements 的迭代器就能够向前或向后访问文档的解析内容,就好像文档正在被解析同样

for i in soup.a.next_elements: print(repr(i)) ''' 'Elsie' ',\n' <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> 'Lacie' ' and\n' <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a> 'Tillie' ';\nand they lived at the bottom of a well.' '\n' <p class="story">...</p> '...' '\n' '''

以上是遍历文档树的基本用法。

beautifulsoup的搜索文档树

find_all

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

find_all() 方法搜索当前tag的全部tag子节点,并判断是否符合过滤器的条件:

soup.find_all("title") # [<title>The Dormouse's story</title>]  soup.find_all("p", "title") # [<p class="title"><b>The Dormouse's story</b></p>]  soup.find_all("a") # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]  soup.find_all(id="link2") # [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>] import re soup.find(string=re.compile("sisters")) # u'Once upon a time there were three little sisters; and their names were\n'

有几个方法很类似,还有几个方法是新的,参数中的 string 和 id 是什么含义? 为何 find_all("p", "title") 返回的是CSS Class为”title”的标签? 咱们来仔细看一下 find_all() 的参数.

name 参数

name 参数能够查找全部名字为 name 的tag,字符串对象会被自动忽略掉.

简单的用法以下:

soup.find_all("title") # [<title>The Dormouse's story</title>]

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 .

<1> 传字符串

最简单的过滤器是字符串.在搜索方法中传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容,下面的例子用于查找文档中全部的标签

soup.find_all('b') # [<b>The Dormouse's story</b>]

<2> 传正则表达式

若是传入正则表达式做为参数,Beautiful Soup会经过正则表达式的 match() 来匹配内容.下面例子中找出全部以b开头的标签,这表示<body>和标签都应该被找到

import re for tag in soup.find_all(re.compile("^b")): print(tag.name) # body # b

<3> 传列表

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>标签和标签

soup.find_all(["a", "b"]) # [<b>The Dormouse's story</b>, # <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

<4> 传 True

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

for tag in soup.find_all(True): print(tag.name) ''' html head title body p b p a a a p '''

<5> 传方法

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

下面方法校验了当前元素,若是包含 class 属性却不包含 id 属性,那么将返回 True:

def has_class_but_no_id(tag): return tag.has_attr('class') and not tag.has_attr('id')

将这个方法做为参数传入 find_all() 方法,将获得全部标签:

print(soup.find_all(has_class_but_no_id)) ''' [ <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 class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>; and they lived at the bottom of a well. </p>, <p class="story">...</p> ] '''

keyword 参数

若是一个指定名字的参数不是搜索内置的参数名,搜索时会把该参数看成指定名字tag的属性来搜索,若是包含一个名字为 id 的参数,Beautiful Soup会搜索每一个tag的”id”属性.

soup.find_all(id='link2') # [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>] import re print(soup.find_all(href=re.compile("elsie"))) # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]

搜索指定名字的属性时可使用的参数值包括字符串 , 正则表达式 , 列表, True .

下面的例子在文档树中查找全部包含 id 属性的tag,不管 id 的值是什么:

soup.find_all(id=True)
# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

使用多个指定名字的参数能够同时过滤tag的多个属性:

soup.find_all(href=re.compile("elsie"), id='link1') # [<a class="sister" href="http://example.com/elsie" id="link1">three</a>]

在这里咱们想用 class 过滤，不过 class 是 python 的关键词，这怎么办？加个下划线就能够

print(soup.find_all("a", class_="sister")) ''' [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a> ] '''

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:

data_soup.find_all(attrs={"data-foo": "value"}) # [<div data-foo="value">foo!</div>]

text 参数

经过 text 参数能够搜搜文档中的字符串内容.与 name 参数的可选值同样, text 参数接受字符串 , 正则表达式 , 列表, True

import re print(soup.find_all(text="Elsie")) # ['Elsie'] print(soup.find_all(text=["Tillie", "Elsie", "Lacie"])) # ['Elsie', 'Lacie', 'Tillie'] print(soup.find_all(text=re.compile("Dormouse"))) # ["The Dormouse's story", "The Dormouse's story"]

limit 参数

find_all() 方法返回所有的搜索结构,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)) ''' [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>] '''

recursive 参数

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("title")) # [<title>The Dormouse's story</title>] print(soup.html.find_all("title",recursive=False)) # []

find()

 
         find( name , attrs , recursive , string , **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>

find_parents() 和 find_parent()

a_string = soup.find(string="Lacie") print(a_string) # Lacie print(a_string.find_parent()) # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> print(a_string.find_parents()) print(a_string.find_parent("p")) ''' <p class="story"> Once upon a time there were three little sisters; and their names were <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>; and they lived at the bottom of a well. </p> '''

find_next_siblings() 和 find_next_sibling()

 
         find_next_siblings( name , attrs , recursive , string , **kwargs ) 
        
         find_next_sibling( name , attrs , recursive , string , **kwargs )

这2个方法经过 .next_siblings 属性对当tag的全部后面解析的兄弟tag节点进行迭代, find_next_siblings() 方法返回全部符合条件的后面的兄弟节点, find_next_sibling() 只返回符合条件的后面的第一个tag节点.

first_link = soup.a

print(first_link.find_next_sibling("a")) # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> print(first_link.find_next_siblings("a")) ''' [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a> ] '''

find_previous_siblings() 和 find_previous_sibling()的使用相似于find_next_sibling和find_next_siblings。

find_all_next() 和 find_next()

 
         find_all_next( name , attrs , recursive , string , **kwargs ) 
        
         find_next( name , attrs , recursive , string , **kwargs )

这2个方法经过 .next_elements 属性对当前tag的以后的tag和字符串进行迭代, find_all_next() 方法返回全部符合条件的节点, find_next() 方法返回第一个符合条件的节点:　　

first_link = soup.a
print(first_link.find_all_next(string=True)) # ['Elsie', ',\n', 'Lacie', ' and\n', 'Tillie', ';\nand they lived at the bottom of a well.', '\n', '...', '\n'] print(first_link.find_next(string=True)) # Elsie

find_all_previous() 和 find_previous()的使用相似于find_all_next() 和 find_next()。

beautifulsoup的css选择器

咱们在写 CSS 时，标签名不加任何修饰，类名前加点，id名前加 #，在这里咱们也能够利用相似的方法来筛选元素，用到的方法是 soup.select()，返回类型是 list

（1）经过标签名查找

print(soup.select("title")) #[<title>The Dormouse's story</title>] print(soup.select("b")) #[<b>The Dormouse's story</b>]

（2）经过类名查找

print(soup.select(".sister")) ''' [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>] '''

（3）经过 id 名查找

print(soup.select("#link1")) # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]

（4）组合查找

组合查找即和写 class 文件时，标签名与类名、id名进行的组合原理是同样的，例如查找 p 标签中，id 等于 link1的内容，两者须要用空格分开

print(soup.select("p #link2")) #[<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

直接子标签查找

print(soup.select("p > #link2")) # [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

（5）属性查找

查找时还能够加入属性元素，属性须要用中括号括起来，注意属性和标签属于同一节点，因此中间不能加空格，不然会没法匹配到。

print(soup.select("a[href='http://example.com/tillie']")) #[<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

select 方法返回的结果都是列表形式，能够遍历形式输出，而后用 get_text() 方法来获取它的内容：

for title in soup.select('a'): print (title.get_text()) ''' Elsie Lacie Tillie '''

豆瓣网改写

from bs4 import BeautifulSoup soup = BeautifulSoup(s, 'html.parser') s=soup.find_all(class_="item") for item in s: print(item.find(class_="pic").a.get("href")) print(item.find(class_="pic").em.string) print(item.find(class_="info").contents[1].a.span.string) print(item.find(class_="info").contents[3].contents[3].contents[3].string) print(item.find(class_="info").contents[3].contents[3].contents[7].string)

总结

本篇内容比较多，把 Beautiful Soup 的方法进行了大部分整理和总结，不过这还不算彻底，仍然有 Beautiful Soup 的修改删除功能，不过这些功能用得比较少，只整理了查找提取的方法，但愿对你们有帮助！