BeatifulSoup模块
一、介绍
Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通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作时间.你可能在寻找 Beautiful Soup3 的文档,Beautiful Soup 3 目前已经停止开发,官网推荐在现在的项目中使用Beautiful Soup 4, 移植到BS4
#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 .根据操作系统不同,可以选择下列方法来安装lxml: $ apt-get install Python-lxml $ easy_install lxml $ pip install lxml 另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,可以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作为解析器,因为效率更高. 在Python2.7.3之前的版本和Python3中3.2.2之前的版本,必须安装lxml或html5lib, 因为那些Python版本的标准库中内置的HTML解析方法不够稳定.
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代码不完整的情况下,使用该模块可以识别该错误。使用BeautifulSoup解析上述代码,能够得到一个 BeautifulSoup 的对象,并能按照标准的缩进格式的结构输出 from bs4 import BeautifulSoup soup=BeautifulSoup(html_doc,'lxml') #具有容错功能 res=soup.prettify() #处理好缩进，结构化显示 print(res)
三、遍历文档树
#遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个 #1、用法 #2、获取标签的名称 #3、获取标签的属性 #4、获取标签的内容 #5、嵌套选择 #6、子节点、子孙节点 #7、父节点、祖先节点 #8、兄弟节点
1 #遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个 2 html_doc = """ 3 <html><head><title>The Dormouse's story</title></head> 4 <body> 5 <p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b></p> 6 7 <p class="story">Once upon a time there were three little sisters; and their names were 8 <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>, 9 <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and 10 <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; 11 and they lived at the bottom of a well.</p> 12 13 <p class="story">...</p> 14 """ 15 16 #1、用法 17 from bs4 import BeautifulSoup 18 soup=BeautifulSoup(html_doc,'lxml') 19 # soup=BeautifulSoup(open('a.html'),'lxml') 20 21 print(soup.p) #存在多个相同的标签则只返回第一个 22 print(soup.a) #存在多个相同的标签则只返回第一个 23 24 #2、获取标签的名称 25 print(soup.p.name) 26 27 #3、获取标签的属性 28 print(soup.p.attrs) 29 30 #4、获取标签的内容 31 print(soup.p.string) # p下的文本只有一个时，取到，否则为None 32 print(soup.p.strings) #拿到一个生成器对象, 取到p下所有的文本内容 33 print(soup.p.text) #取到p下所有的文本内容 34 for line in soup.stripped_strings: #去掉空白 35 print(line) 36 37 38 ''' 39 如果tag包含了多个子节点,tag就无法确定 .string 方法应该调用哪个子节点的内容, .string 的输出结果是 None，如果只有一个子节点那么就输出该子节点的文本，比如下面的这种结构，soup.p.string 返回为None,但soup.p.strings就可以找到所有文本 40 <p id='list-1'> 41 哈哈哈哈 42 <a class='sss'> 43 <span> 44 <h1>aaaa</h1> 45 </span> 46 </a> 47 <b>bbbbb</b> 48 </p> 49 ''' 50 51 #5、嵌套选择 52 print(soup.head.title.string) 53 print(soup.body.a.string) 54 55 56 #6、子节点、子孙节点 57 print(soup.p.contents) #p下所有子节点 58 print(soup.p.children) #得到一个迭代器,包含p下所有子节点 59 60 for i,child in enumerate(soup.p.children): 61 print(i,child) 62 63 print(soup.p.descendants) #获取子孙节点,p下所有的标签都会选择出来 64 for i,child in enumerate(soup.p.descendants): 65 print(i,child) 66 67 #7、父节点、祖先节点 68 print(soup.a.parent) #获取a标签的父节点 69 print(soup.a.parents) #找到a标签所有的祖先节点，父亲的父亲，父亲的父亲的父亲... 70 71 72 #8、兄弟节点 73 print('=====>') 74 print(soup.a.next_sibling) #下一个兄弟 75 print(soup.a.previous_sibling) #上一个兄弟 76 77 print(list(soup.a.next_siblings)) #下面的兄弟们=>生成器对象 78 print(soup.a.previous_siblings) #上面的兄弟们=>生成器对象
1 soup = BeautifulSoup(html_doc,"lxml") #第一个参数指定文本内容，第二个参数解析器 2 3 # soup = BeautifulSoup(open("a.html"),"lxml") #也可以打开一个文件创建实例 4 print(soup.prettify()) #容错性的体现，自动补全 5 print(soup.a) #只找到了一个，而且是从整个文档树找 6 print(soup.a.text) #找到a标签里面的文本 7 print(soup.text) #找整个文档树种所有的文本 8 print(soup.a.attrs) #找a标签的所有属性，字典形式 9 print(soup.a.attrs["href"]) #找a标签的href属性 10 print(soup.p.b) #嵌套查找，这是只找一个 11 print(soup.p.contents) #子节点，找到的是一个闭标签 12 print(list(soup.p.children )) #得到生成器 13 print(list(soup.p.descendants)) #所有的子子孙孙 14 print(soup.a.parent)#找父亲 15 print(list(soup.a.parent))#父亲的父亲的父亲 16 17 print(soup.p.find_all() ) #标签名可以和find可以结合在一起使用
四、搜索文档数
1、五种过滤器
1 from bs4 import BeautifulSoup 2 html_doc = '''<html><head><title>The Dormouse's story</title></head> 3 <body> 4 <p class="title"><b>The Dormouse's story</b></p> 5 <p class="title"><b>$75</b></p> 6 <p id="meiyuan">啦啦啦啦啦啦</p> 7 8 <p class="story">Once upon a time there were three little sisters; and their names were 9 <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>, 10 <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and 11 <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; 12 and they lived at the bottom of a well.</p>''' 13 soup= BeautifulSoup(html_doc,"lxml") 14 # 1、字符串：特点：是一种完全匹配的 15 print(soup.find_all(name="a")) #找到所有的a标签 16 print(soup.find_all(name="a aa")) #找不到，会打印一个[] 17 print(soup.find_all(attrs={"class":"sister"})) 18 print(soup.find_all(text="The Dormouse's story")) #按照文本来找 19 print(soup.find_all(name="b",text="The Dormouse's story")) #找标签名是b，并且文本是The Dormouse's story 20 print(soup.p.find(name="b").text) #第一个p标签的b里面的文本 21 print(soup.find_all(name="p",attrs={"class":"story"})) #找到标签名是p,属性名是class, 22 print(soup.find(name="p",attrs={"class":"story"}).find_all(name="a")[2]) #找到标签名是p,属性名是class的第二个a标签 23 # 2、正则 24 import re 25 print(soup.find_all(name=re.compile("^b"))) #找b开头的的标签 26 print(soup.find_all(attrs={"id":re.compile("link")})) #找到id属性是link的 27 print(soup.find_all(text=re.compile(r"\$"))) #找带有$价钱的文本 28 # 29 # # 3、列表：如果传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回. 30 print(soup.find_all(name=["a",re.compile("^b")])) #找a标签或者b标签开头的所有的标签 31 print(soup.find_all(text=["$",])) #找不到 32 print(soup.find_all(text=[re.compile(r"\$")])) #['$75'] 33 print(soup.find_all(text=["a",re.compile(r"\$")])) 34 35 # # 4、True：可以匹配任何值 36 print(soup.find_all(name=True)) #找到所有标签的标签名 37 print(soup.find_all(attrs={"id":True}))#找到只要有id属性的 38 # 39 print(soup.find_all(name="p",attrs={"id":True}))# 找到有id属性的p标签 40 # 5、方法：如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数 ,如果这个方法返回 True 表示当前元素匹配并且被找到,如果不是则反回 False 41 # 42 # # 有class属性没有id属性的 43 def has_class_not_id(tag): 44 return tag.has_attr('class') and not tag.has_attr('id') 45 # return tag.has_attr('id') and not tag.has_attr('class') 46 47 # return tag.name =="a" and tag.has_attr("class") and not tag.has_attr("id") 48 # # #只找a标签 49 print(soup.find_all(has_class_not_id)) #默认是按照标签来找的 50 51 52 print(soup.find_all(name="a",limit=2))#找所有的a标签，只找前两个 53 print(soup.body.find_all(attrs={"class":"sister"},recursive=False))#找属性为sister的 54 print(soup.html.find_all('a')) 55 print(soup.html.find_all('a',recursive=False)) 56 # recursive = True #从子子孙孙都找到了 57 # recursive = False #如果只想搜索tag的直接子节点（就不往里面找了）,可以使用参数 recursive=False . 58 59 # **kwargs 60 print(soup.find_all(attrs={"class":"sister"})) 61 print(soup.find_all(class_="sister")) #这两个是一样的 62 63 print(soup.find_all(attrs={"id":"link3"})) #这两个是一样的，只是表示方式不一样 64 print(soup.find_all(id="link3"))
2、find_all( name , attrs , recursive , text , **kwargs )
1 #2、find_all( name , attrs , recursive , text , **kwargs ) 2 #2.1、name: 搜索name参数的值可以使任一类型的 过滤器 ,字符窜,正则表达式,列表,方法或是 True . 3 print(soup.find_all(name=re.compile('^t'))) 4 5 #2.2、keyword: key=value的形式，value可以是过滤器：字符串 , 正则表达式 , 列表, True . 6 print(soup.find_all(id=re.compile('my'))) 7 print(soup.find_all(href=re.compile('lacie'),id=re.compile('\d'))) #注意类要用class_ 8 print(soup.find_all(id=True)) #查找有id属性的标签 9 10 # 有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性: 11 data_soup = BeautifulSoup('<div data-foo="value">foo!</div>','lxml') 12 # data_soup.find_all(data-foo="value") #报错：SyntaxError: keyword can't be an expression 13 # 但是可以通过 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: 14 print(data_soup.find_all(attrs={"data-foo": "value"})) 15 # [<div data-foo="value">foo!</div>] 16 17 #2.3、按照类名查找，注意关键字是class_，class_=value,value可以是五种选择器之一 18 print(soup.find_all('a',class_='sister')) #查找类为sister的a标签 19 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 20 print(soup.find_all(class_=re.compile('^sis'))) #查找类为sister的所有标签 21 22 #2.4、attrs 23 print(soup.find_all('p',attrs={'class':'story'})) 24 25 #2.5、text: 值可以是：字符，列表，True，正则 26 print(soup.find_all(text='Elsie')) 27 print(soup.find_all('a',text='Elsie')) 28 29 #2.6、limit参数:如果文档树很大那么搜索会很慢.如果我们不需要全部结果,可以使用 limit 参数限制返回结果的数量.效果与SQL中的limit关键字类似,当搜索到的结果数量达到 limit 的限制时,就停止搜索返回结果 30 print(soup.find_all('a',limit=2)) 31 32 #2.7、recursive:调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False . 33 print(soup.html.find_all('a')) 34 print(soup.html.find_all('a',recursive=False)) 35 36 ''' 37 像调用 find_all() 一样调用tag 38 find_all() 几乎是Beautiful Soup中最常用的搜索方法,所以我们定义了它的简写方法. BeautifulSoup 对象和 tag 对象可以被当作一个方法来使用,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: 39 soup.find_all("a") 40 soup("a") 41 这两行代码也是等价的: 42 soup.title.find_all(text=True) 43 soup.title(text=True) 44 '''
3、find( name , attrs , recursive , text , **kwargs )
1 #3、find( name , attrs , recursive , text , **kwargs ) 2 find_all() 方法将返回文档中符合条件的所有tag,尽管有时候我们只想得到一个结果.比如文档中只有一个<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: 3 4 soup.find_all('title', limit=1) 5 # [<title>The Dormouse's story</title>] 6 soup.find('title') 7 # <title>The Dormouse's story</title> 8 9 唯一的区别是 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. 10 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 . 11 print(soup.find("nosuchtag")) 12 # None 13 14 soup.head.title 是 tag的名字 方法的简写.这个简写的原理就是多次调用当前tag的 find() 方法: 15 16 soup.head.title 17 # <title>The Dormouse's story</title> 18 soup.find("head").find("title") 19 # <title>The Dormouse's story</title>
4、其他方法
见官网:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#find-parents-find-parent
5、CSS选择器
1 #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 2 html_doc = """ 3 <html><head><title>The Dormouse's story</title></head> 4 <body> 5 <p class="title"> 6 <b>The Dormouse's story</b> 7 Once upon a time there were three little sisters; and their names were 8 <a href="http://example.com/elsie" class="sister" id="link1"> 9 <span>Elsie</span> 10 </a> 11 <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and 12 <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; 13 <div class='panel-1'> 14 <ul class='list' id='list-1'> 15 <li class='element'>Foo</li> 16 <li class='element'>Bar</li> 17 <li class='element'>Jay</li> 18 </ul> 19 <ul class='list list-small' id='list-2'> 20 <li class='element'><h1 class='yyyy'>Foo</h1></li> 21 <li class='element xxx'>Bar</li> 22 <li class='element'>Jay</li> 23 </ul> 24 </div> 25 and they lived at the bottom of a well. 26 </p> 27 <p class="story">...</p> 28 """ 29 from bs4 import BeautifulSoup 30 soup=BeautifulSoup(html_doc,'lxml') 31 32 #1、CSS选择器 33 print(soup.p.select('.sister')) 34 print(soup.select('.sister span')) 35 36 print(soup.select('#link1')) 37 print(soup.select('#link1 span')) 38 39 print(soup.select('#list-2 .element.xxx')) 40 41 print(soup.select('#list-2')[0].select('.element')) #可以一直select,但其实没必要,一条select就可以了 42 43 # 2、获取属性 44 print(soup.select('#list-2 h1')[0].attrs) 45 46 # 3、获取内容 47 print(soup.select('#list-2 h1')[0].get_text())
五、修改文档数
链接：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#id40
六、总结
总结: #1、推荐使用lxml解析库 #2、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,但是速度快 2、建议使用find,find_all查询匹配单个结果或者多个结果 3、如果对css选择器非常熟悉建议使用select #3、记住常用的获取属性attrs和文本值get_text()的方法
