1. Beautiful Soup的简介html
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:python
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。正则表达式
Beautiful Soup自动将输入文档转换为Unicode编码,输出文档转换为utf-8编码。你不须要考虑编码方式,除非文档没有指定一个编码方式,这时,Beautiful Soup就不能自动识别编码方式了。而后,你仅仅须要说明一下原始编码方式就能够了。函数
Beautiful Soup已成为和lxml、html6lib同样出色的python解释器,为用户灵活地提供不一样的解析策略或强劲的速度。工具
废话很少说,咱们来试一下吧~
2. Beautiful Soup 安装编码
Beautiful Soup 3 目前已经中止开发,推荐在如今的项目中使用Beautiful Soup 4,不过它已经被移植到BS4了,也就是说导入时咱们须要 import bs4 。因此这里咱们用的版本是 Beautiful Soup 4.3.2 (简称BS4),另外听说 BS4 对 Python3 的支持不够好,不过我用的是 Python2.7.7,若是有小伙伴用的是 Python3 版本,能够考虑下载 BS3 版本。spa
若是你用的是新版的Debain或Ubuntu,那么能够经过系统的软件包管理来安装,不过它不是最新版本,目前是4.2.1版本
.net
?翻译
1code |
|
若是想安装最新的版本,请直接下载安装包来手动安装,也是十分方便的方法。在这里我安装的是 Beautiful Soup 4.3.2
1 |
|
下载完成以后解压
运行下面的命令便可完成安装
1 |
|
以下图所示,证实安装成功了
而后须要安装 lxml
1 |
|
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。
3. 开启Beautiful Soup 之旅
在这里先分享官方文档连接,不过内容是有些多,也不够条理,在此本文章作一下整理方便你们参考。
官方文档
4. 建立 Beautiful Soup 对象
首先必需要导入 bs4 库
1 |
|
咱们建立一个字符串,后面的例子咱们便会用它来演示
1 2 3 4 5 6 7 8 9 10 11 |
|
建立 beautifulsoup 对象
1 |
|
另外,咱们还能够用本地 HTML 文件来建立对象,例如
1 |
|
上面这句代码即是将本地 index.html 文件打开,用它来建立 soup 对象
下面咱们来打印一下 soup 对象的内容,格式化输出
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 |
|
以上即是输出结果,格式化打印出了它的内容,这个函数常常用到,小伙伴们要记好咯。
5. 四大对象种类
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4种:
下面咱们进行一一介绍
(1)Tag
Tag 是什么?通俗点讲就是 HTML 中的一个个标签,例如
1 2 3 |
|
上面的 title a 等等 HTML 标签加上里面包括的内容就是 Tag,下面咱们来感觉一下怎样用 Beautiful Soup 来方便地获取 Tags
下面每一段代码中注释部分即为运行结果
1 2 3 4 5 6 7 8 9 10 11 |
|
咱们能够利用 soup加标签名轻松地获取这些标签的内容,是否是感受比正则表达式方便多了?不过有一点是,它查找的是在全部内容中的第一个符合要求的标签,若是要查询全部的标签,咱们在后面进行介绍。
咱们能够验证一下这些对象的类型
1 2 |
|
对于 Tag,它有两个重要的属性,是 name 和 attrs,下面咱们分别来感觉一下
1 2 3 4 5 6 |
|
soup 对象自己比较特殊,它的 name 即为 [document],对于其余内部标签,输出的值便为标签自己的名称。
1 2 3 4 |
|
在这里,咱们把 p 标签的全部属性打印输出了出来,获得的类型是一个字典。
若是咱们想要单独获取某个属性,能够这样,例如咱们获取它的 class 叫什么
1 2 |
|
还能够这样,利用get方法,传入属性的名称,两者是等价的
1 2 |
|
咱们能够对这些属性和内容等等进行修改,例如
1 2 3 |
|
还能够对这个属性进行删除,例如
1 2 3 |
|
不过,对于修改删除的操做,不是咱们的主要用途,在此不作详细介绍了,若是有须要,请查看前面提供的官方文档
(2)NavigableString
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,例如
1 2 |
|
这样咱们就轻松获取到了标签里面的内容,想一想若是用正则表达式要多麻烦。它的类型是一个 NavigableString,翻译过来叫 能够遍历的字符串,不过咱们最好仍是称它英文名字吧。
1 2 |
|
来检查一下它的类型
1 2 |
|
(3)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,以及属性来感觉一下
1 2 3 4 5 6 |
|
(4)Comment
Comment 对象是一个特殊类型的 NavigableString 对象,其实输出的内容仍然不包括注释符号,可是若是很差好处理它,可能会对咱们的文本处理形成意想不到的麻烦。
咱们找一个带注释的标签
1 2 3 |
|
运行结果以下
1 2 3 |
|
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
1 2 |
|
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。
6. 遍历文档树
(1)直接子节点
要点:.contents .children 属性
.contents
tag 的 .content 属性能够将tag的子节点以列表的方式输出
1 2 |
|
输出方式为列表,咱们能够用列表索引来获取它的某一个元素
1 2 3 4 |
|
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
1 2 |
|
咱们怎样得到里面的内容呢?很简单,遍历一下就行了,代码及结果以下
1 2 3 4 5 6 7 8 9 10 11 12 |
|
(2)全部子孙节点
知识点:.descendants 属性
.descendants
.contents 和 .children 属性仅包含tag的直接子节点,.descendants 属性能够对全部tag的子孙节点进行递归循环,和 children相似,咱们也须要遍历获取其中的内容。
1 2 |
|
运行结果以下,能够发现,全部的节点都被打印出来了,先生最外层的 HTML标签,其次从 head 标签一个个剥离,以此类推。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 |
|
(3)节点内容
知识点:.string 属性
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
1 2 3 4 |
|
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
1 2 |
|
(4)多个内容
知识点: .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
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 |
|
.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
1 2 3 4 5 6 7 8 9 10 11 12 |
|
(5)父节点
知识点: .parent 属性
1 2 3 4 5 6 7 |
|
(6)所有父节点
知识点:.parents 属性
经过元素的 .parents 属性能够递归获得元素的全部父辈节点,例如
1 2 3 |
|
1 2 3 4 |
|
(7)兄弟节点
知识点:.next_sibling .previous_sibling 属性
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
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
1 2 3 4 5 6 7 8 9 10 11 |
|
(8)所有兄弟节点
知识点:.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
1 2 3 4 5 6 7 8 |
|
(9)先后节点
知识点:.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
1 2 |
|
(10)全部先后节点
知识点:.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
1 2 3 4 5 6 7 8 9 |
|
7.搜索文档树
(1)find_all( name , attrs , recursive , text , **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
1)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
A.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<b>标签
1 2 3 4 5 |
|
B.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<b>标签都应该被找到
1 2 3 4 5 |
|
C.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<b>标签
1 2 3 4 5 |
|
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
1 2 3 4 5 6 7 8 9 10 11 |
|
E.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 [4] ,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:
1 2 |
|
将这个方法做为参数传入 find_all() 方法,将获得全部<p>标签:
1 2 3 4 |
|
2)keyword 参数
注意: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
1 2 |
|
若是传入 href 参数,Beautiful Soup会搜索每一个tag的”href”属性
1 2 |
|
使用多个指定名字的参数能够同时过滤tag的多个属性
1 2 |
|
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
1 2 3 4 |
|
有些tag属性在搜索不能使用,好比HTML5中的 data-* 属性
1 2 3 4 |
|
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
1 2 |
|
3)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
1 2 3 4 5 6 7 8 |
|
4)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.
文档树中有3个tag符合搜索条件,但结果只返回了2个,由于咱们限制了返回数量
1 2 3 |
|
5)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 .
一段简单的文档:
复制代码代码以下:
<html>
<head>
<title>
The Dormouse's story
</title>
</head>
...
是否使用 recursive 参数的搜索结果:
1 2 3 4 5 |
|
(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() 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() 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() 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() 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
注:以上(2)(3)(4)(5)(6)(7)方法参数用法与 find_all() 彻底相同,原理均相似,在此再也不赘述。
8.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
1 2 3 4 5 6 7 8 |
|
(2)经过类名查找
1 2 |
|
(3)经过 id 名查找
1 2 |
|
(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
1 2 |
|
直接子标签查找
1 2 |
|
(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。
1 2 3 4 5 |
|
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
1 2 |
|
好,这就是另外一种与 find_all 方法有殊途同归之妙的查找方法,是否是感受很方便?
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!小伙伴们加油!
熟练掌握了 Beautiful Soup,必定会给你带来太多方便,加油吧!