python 中BeautifulSoup入门

时间 2019-11-26

原文原文链接

在前面的例子用，我用了BeautifulSoup来从58同城抓取了手机维修的店铺信息，这个库使用起来的确是很方便的。本文是BeautifulSoup 的一个详细的介绍，算是入门把。文档地址：http://www.crummy.com/software/BeautifulSoup/bs4/doc/css

什么是BeautifulSoup？html

Beautiful Soup 是用Python写的一个HTML/XML的解析器，它能够很好的处理不规范标记并生成剖析树(parse tree)。它提供简单又经常使用的导航（navigating），搜索以及修改剖析树的操做。它能够大大节省你的编程时间。python

直接看例子：编程

#!/usr/bin/python
# -*- coding: utf-8 -*-数组

from bs4 import BeautifulSoup函数

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
The Dormouse's storyorm

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.htm

...对象

"""three

soup = BeautifulSoup(html_doc)

print soup.title

print soup.title.name

print soup.title.string

print soup.p

print soup.a

print soup.find_all('a')

print soup.find(id='link3')

print soup.get_text()

结果为：

<title>The Dormouse's story</title>
title
The Dormouse's story
The Dormouse's story
<a class="sister" href="http://example.com/elsie" id="link1">Elsie</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>]
<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>

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;
and they lived at the bottom of a well.
...

能够看出：soup 就是BeautifulSoup处理格式化后的字符串，soup.title 获得的是title标签，soup.p 获得的是文档中的第一个p标签，要想获得全部标签，得用find_all

函数。find_all 函数返回的是一个序列，能够对它进行循环，依次获得想到的东西.

get_text() 是返回文本,这个对每个BeautifulSoup处理后的对象获得的标签都是生效的。你能够试试 print soup.p.get_text()

实际上是能够得到标签的其余属性的，好比我要得到a标签的href属性的值，能够使用 print soup.a['href'],相似的其余属性，好比class也是能够这么获得的（soup.a['class']）。

特别的，一些特殊的标签，好比head标签，是能够经过soup.head 获得，其实前面也已经说了。

如何得到标签的内容数组？使用contents 属性就能够好比使用 print soup.head.contents，就得到了head下的全部子孩子，以列表的形式返回结果，

能够使用 [num] 的形式得到 ,得到标签，使用.name 就能够。

获取标签的孩子，也能够使用children，可是不能print soup.head.children 没有返回列表，返回的是 <listiterator object at 0x108e6d150>,

不过使用list能够将其转化为列表。固然能够使用for 语句遍历里面的孩子。

关于string属性，若是超过一个标签的话，那么就会返回None，不然就返回具体的字符串print soup.title.string 就返回了 The Dormouse's story

超过一个标签的话，能够试用strings

向上查找能够用parent函数，若是查找全部的，那么能够使用parents函数

查找下一个兄弟使用next_sibling,查找上一个兄弟节点使用previous_sibling,若是是查找全部的，那么在对应的函数后面加s就能够

如何遍历树？

　使用find_all 函数

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

举例说明：

print soup.find_all('title')
print soup.find_all('p','title')
print soup.find_all('a')
print soup.find_all(id="link2")
print soup.find_all(id=True)

返回值为：

[<title>The Dormouse's story</title>]
[The Dormouse's story]
[<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>]
[<a class="sister" href="http://example.com/lacie" id="link2">Lacie</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>]

经过css查找,直接上例子把：

print soup.find_all("a", class_="sister")
print soup.select("p.title")

经过属性进行查找
print soup.find_all("a", attrs={"class": "sister"})

经过文本进行查找
print soup.find_all(text="Elsie")
print soup.find_all(text=["Tillie", "Elsie", "Lacie"])

限制结果个数
print soup.find_all("a", limit=2)

结果为：

[<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>]
[The Dormouse's story]
[<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>]
[u'Elsie']
[u'Elsie', u'Lacie', u'Tillie']
[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

总之，经过这些函数能够查找到想要的东西。

---end---