Python爬虫：BeautifulSoup用法总结

原文

BeautifulSoup是一个解析HTML或XML文件的第三方库。HTML或XML文件可以用DOM模型解释。一般包含三种节点：

• 元素节点 - 通常指HTML 或 XML的标签
• 文本节点 - 标签内部的文本内容
• 属性节点 - 每个标签的属性

BeautifulSoup库可以对HTML或XML文件解析，查找到一个或多个标签元素，并获取每个标签里的文本和属性。

BeautifulSoup很好的特性是它接受一个str或byte对象后会对编码自动检测，并对当前文档编码并转换成Unicode编码。这样可以不用担心乱码问题。

安装： pip install beautifulsoup4

使用： from bs4 import BeautifulSoup

推荐安装： pip install lxml, 比 python自带的解析库html.parser更快

 

 

 BeautifulSoup库的使用方法：

对一个元素的查找主要有3种方法：

• 根据标签名直接查找：soup.title, soup.p .仅适用于查找单个元素
• 使用find 和 find_all 方法 - 根据标签名和属性对文档遍历查找提取一个或多个元素
• 使用select方法 - 根据css 样式选择器对文档进行遍历提取一个或多个元素

# 根据tag直接获取元素
soup.p #获取p标签元素对象，只获取第一个
soup.p.name #获取p标签的名字，即'p"
soup.p.string # 获取p标签元素内的文本
soup.p['class'] #获取p标签元素的class属性
soup.p.get('class') #等同于上述案例
soup.a['href'] #获取第一个a元素的href属性


# find_all方法。find方法类似，仅用于提取首个匹配元素
# find_all( name , attrs , recursive , text , **kwargs )
#  name :要查找的标签名（字符串、正则、方法、True）
#  attrs: 标签的属性
#  recursive: 递归
#  text: 查找文本
# **kwargs :其它 键值参数
# 因class是关键字，所以要写成class_="value", 等同于attrs={"class":"value"}
soup.find_all('p')  # 以列表形式返回所有p标签
soup.find_all('p', attrs={"class":"sister"})  # 以列表形式返回所有class属性==sister的p标签
soup.find_all('p', class_="sister")  # 以列表形式返回所有class属性==sister的p标签
soup.find_all(id='link2')  # 返回所有id属性==link2的标签
soup.find_all(re.compile("^b"))  # 使用正则查找标签以b开头的元素
soup.find_all(href=re.compile("elsie")) # 使用正则, 返回所有href属性包含elsie的标签
soup.find_all(id="link1", href=re.compile('elsie'))  # id=link1且href包含elsie的标签


# select方法 - css选择器
# 注意select方法提取的元素均是列表形式，获取文本时注意加index
soup.select('p') # 根据标签名查找所有p元素，等于soup.find_all('p')
soup.select('.sister') # 通过css属性查找class=sister的标签
soup.select('#link1') # 通过id查找所有id=#link1的元素
soup.select('p #link1') # 组合查找id=#link11的p元素
soup.select("head > title") # 查找head标签的子元素title
soup.select('a[class="sister"]') # 查找所有属性为sister的a标签
soup.select('a[href="http://example.com/elsie"]') #查找href=xxx的a标签元素
soup.select('p')[0].get_text() # 获取首个p元素的文本
soup.select('a[href*=".com/el"]')[0].attrs['href'] #获取xxx.com的href

除了 find()和find_all()之外，还有一些常用的方法可用来搜索父子和兄弟节点：

find_parent()

find_parents()

find_next_sibling()

find_next_siblings()

find_previous_sibling()

find_previous_siblings()

find_next()
find_previous()
find_all_next()
find_all_previous(）

请注意select方法和find方法有如下区别，使用时请注意:

• find方法返回的是单个元素，find_all方法返回的是一个元素列表，而select方法永远返回的是元素列表。如果你使用了select方法查找到了单个元素，别忘了先加列表索引[0]，然后才可以调用get_text()方法获取文本。

• find方法还支持方法参数查询，比select方法更强大，如下所示:

  def has_class_no_id(tag):
      return tag.has_attr("class") and not tag.has_attr("id")
  soup.find_all(has_class_no_id)  # 支持方法参数