Python HTML解析器BeautifulSoup(爬虫解析器)

时间 2019-11-08

标签 python html 解析 beautifulsoup 爬虫栏目 Python 繁體版

原文原文链接

BeautifulSoup简介

　　咱们知道，Python拥有出色的内置HTML解析器模块——HTMLParser，然而还有一个功能更为强大的HTML或XML解析工具——BeautifulSoup（美味的汤），它是一个第三方库。简单来讲，BeautifulSoup最主要的功能是从网页抓取数据。本文咱们来感觉一下BeautifulSoup的优雅而强大的功能吧！html

BeautifulSoup安装

　　BeautifulSoup3 目前已经中止开发，推荐在如今的项目中使用BeautifulSoup4，不过它已经被移植到bs4了，也就是说导入时咱们须要 import bs4 。能够利用 pip 或者 easy_install 两种方法来安装。下面采用pip安装。node

　　pip install beautifulsoup4python

　　pip install lxml
正则表达式

　　建议同时安装"lxml"模块，BeautifulSoup支持Python标准库中的HTML解析器（HTMLParser），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。express

建立对象

　　安装后，建立对象：soup = BeautifulSoup(markup='html文件', 'lxml')函数

　　格式化输出：soup.prettify()工具

BeautifulSoup四大对象类型

　　BeautifulSoup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4种：spa

BeautifulSoup（文档）
Tag（标签）
NavigableString（内容）
Comment（注释）

1.BeautifulSoup类型（文档）

　　BeautifulSoup对象表示的是一个文档的所有内容：code

print soup.name 
# [document]

2.Tag类型（标签）

　　即HTML的整个标签，如获取<title>标签：orm

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

　　Tag有两个重要属性：name，attrs。

name

　　即HTML的标签名称：

print soup.name
#[document]
print soup.head.name
#head

attrs

　　即HTML的标签属性字典：

print soup.p.attrs
#{'class': ['title'], 'name': 'dromouse'}

　　若是想要单独获取某个属性：

print soup.p['class']
#['title']

3.NavigableString类型（内容）

　　既然咱们已经获得了整个标签，那么问题来了，咱们要想获取标签内部的文字内容怎么办呢？很简单，用 string 便可：

print soup.p.string
#The Dormouse's story

4.Comment类型（注释）

　　HTML的注释内容，注意的是，不包含注释符号。咱们首先判断它的类型，是否为 Comment 类型，而后再进行其余操做，如打印输出：

if type(soup.a.string)==bs4.element.Comment:
    print soup.a.string
#<!-- Elsie -->

遍历文档树

1.子节点

　　获取全部子节点，返回列表：

print soup.head.contents 
#[<title>The Dormouse's story</title>]

children

　　获取全部子节点，返回列表生成器：

print soup.head.children
#<listiterator object at 0x7f71457f5710>

## 须要遍历
for child in  soup.body.children:
    print child

## 结果
<p class="title" name="dromouse"><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>

2.节点内容

string

　　返回单个文本内容。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。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。例如：

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

print soup.html.string
# None

strings

　　返回多个文本内容，且包含空行和空格。

stripped_strings

　　返回多个文本内容，且不包含空行和空格：

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

get_text()方法

　　返回当前节点和子节点的文本内容。

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="story">Once upon a time there were three little sisters; and their names were
        <a href="http://example.com/elsie" class="sister1" id="link1">Elsie</a>,
        <a href="http://example.com/lacie" class="sister2" id="link2">Lacie</a> and
        <a href="http://example.com/tillie" class="sister3" id="link3">Tillie</a>;
        and they lived at the bottom of a well.
    </p>
    <p class="story">...</p>
</body>
</html>
"""

soup = BeautifulSoup(markup=html_doc,features='lxml')

node_p_text=soup.find('p',class_='story').get_text()　　　　# 注意class_带下划线 print(node_p_text)

# 结果
Once upon a time there were three little sisters; and their names were
        Elsie,
        Lacie and
        Tillie;
        and they lived at the bottom of a well.

3.父节点

parent

　　返回某节点的直接父节点：

p = soup.p
print p.parent.name
#body

parents

　　返回某节点的全部父辈及以上辈的节点：

content = soup.head.title.string
for parent in  content.parents:
    print parent.name

## 结果
title
head
html
[document]

4.兄弟节点

next_sibling

　　next_sibling 属性获取该节点的下一个兄弟节点，结果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。

previous_sibling

　　previous_sibling 属性获取该节点的上一个兄弟节点。

print soup.p.next_sibling
#       实际该处为空白
print soup.p.prev_sibling
#None   没有前一个兄弟节点，返回 None
print soup.p.next_sibling.next_sibling
#<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>
#下一个节点的下一个兄弟节点是咱们能够看到的节点

next_siblings、previous_siblings

　　迭代获取所有兄弟节点。

5.先后节点

next_element、previous_element

　　不是针对于兄弟节点，而是在于全部节点，不分层次的前一个和后一个节点。

next_elements、previous_elements

　　迭代获取全部前和后节点。

搜索文档树

1.find_all(name=None, attrs={}, recursive=True, text=None, limit=None, **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。

参数说明

name参数

　　name参数很强大，能够传多种方式的参数，查找全部名字为 name 的tag，字符串对象会被自动忽略掉。

（a）传标签名

　　最简单的过滤器是标签名。在搜索方法中传入一个标签名参数，BeautifulSoup会查找与标签名完整匹配的内容，下面的例子用于查找文档中全部的<a>标签：

print 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>]

　　返回结果列表中的元素仍然是BeautifulSoup对象。

（b）传正则表达式

　　若是传入正则表达式做为参数，BeautifulSoup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<b>标签都应该被找到：

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

（c）传列表

　　若是传入列表参数，BeautifulSoup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：

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>]

（d）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

（e）传函数

　　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')

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...</p>,
#  <p class="story">...</p>]

keyword参数

　　注意的是，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,BeautifulSoup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>]

　　若是传入 href 参数，Beautiful Soup会搜索每一个tag的"href"属性：

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

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>]

attrs参数

　　有些tag属性在搜索不能使用,好比HTML5中的 " data-* " 自定义属性：

data_soup = BeautifulSoup('<div data-foo="value">foo!</div>')
data_soup.find_all(data-foo="value")
# 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
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。

soup.find_all(text="Elsie")
# [u'Elsie']

soup.find_all(text=["Tillie", "Elsie", "Lacie"])
# [u'Elsie', u'Lacie', u'Tillie']

soup.find_all(text=re.compile("Dormouse"))　　# 模糊查找
[u"The Dormouse's story", u"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。

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，BeautifulSoup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。

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

soup.html.find_all("title", recursive=False)
# []

2.find( name , attrs , recursive , text , **kwargs )

　　它与 find_all() 方法惟一的区别是 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。

3.find_parents() 和 find_parent()

　　find_all() 和 find() 只搜索当前节点的全部子节点，孙子节点等。find_parents() 和 find_parent() 用来搜索当前节点的父辈节点，搜索方法与普通tag的搜索方法相同，搜索文档搜索文档包含的内容。

4.find_next_siblings() 和 find_next_sibling()　　

　　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。

5.find_previous_siblings() 和 find_previous_sibling()

　　这2个方法经过 .previous_siblings 属性对当前 tag 的前面解析的兄弟 tag 节点进行迭代， find_previous_siblings() 方法返回全部符合条件的前面的兄弟节点，find_previous_sibling() 方法返回第一个符合条件的前面的兄弟节点。

6.find_all_next() 和 find_next()

　　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。

7.find_all_previous() 和 find_previous()

　　这2个方法经过 .previous_elements 属性对当前节点前面的 tag 和字符串进行迭代，find_all_previous() 方法返回全部符合条件的节点， find_previous()方法返回第一个符合条件的节点。

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。

经过标签名查找

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

print soup.select('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>]

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

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>]

经过 id 名查找

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

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 #link1')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

　　直接子标签查找：

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

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[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>]

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

　　一样，属性仍然能够与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格：

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

　　以上的 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 string或get_text() 方法来获取它的内容：

soup = BeautifulSoup(html, 'lxml')
print type(soup.select('title'))
print soup.select('title')[0].get_text()

for title in soup.select('title'):
    print title.get_text()

　　至此，转载请注明出处。