Python的Beautiful Soup简单使用

 Beautiful Soup是python的一个库，最主要的功能是从网页抓取数据

 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，通过解析文档为用户提供需要抓取的数据

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

安装

pip install bs4

创建一个字符串

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

使用BeautifulSoup解析这段代码,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,"html.parser")
print(soup.prettify())

 

 

 也可以用本地 HTML 文件来创建对象

soup=BeautifulSoup(open("index.html"),"html.parser")

prettify()格式化输出，将Beautiful Soup的文档树格式化后以Unicode编码输出,每个XML/HTML标签都独占一行

 

四种Beautiful Soup对象类型

Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象有4种

  • Tag

　　　　 HTML 中的标签

print(soup.title)

print(soup.a)

 　　Tag的属性， name 和 attrs

name

print(soup.name)
print(soup.p.name)

soup 对象的name 即为 [document]，对于其他标签，输出的值便为标签本身的名称

attrs

print(soup.p.attrs)
print(soup.p['class'])
soup.p['class']="newClass"
print(soup.p.get('class'))
print(soup.p)
del soup.p['class']
print(soup.p)

  • NavigableString

　　　　获取标签内部的文字,用 .string

print(soup.p)
print(soup.p.string)
print(type(soup.p.string))

  • BeautifulSoup

　　　　BeautifulSoup 对象表示的是一个文档的全部内容.可以把它当作特殊的Tag 对象

print(type(soup.name))
print(soup.name)
print(soup.attrs)

  • Comment

 　　Comment 对象是一个特殊类型的 NavigableString 对象

　　用CDATA来替代注释

from bs4 import BeautifulSoup,CData
markup = "<b><!--Hey, buddy. Want to buy a used parser?--></b>"
soup = BeautifulSoup(markup,"html.parser")
print(soup.b.prettify())
comment = soup.b.string
cdata = CData("A CDATA block")
comment.replace_with(cdata)
print(soup.b.prettify())

遍历文档树

1.子孙节点

　　（1）contents

　　　　将tag的子节点以列表的方式输出

from bs4 import BeautifulSoup
soup=BeautifulSoup(open("index.html"),"html.parser")
head_tag = soup.head
print(len(soup.contents))
print(head_tag)
contents=head_tag.contents
print(contents)
title_tag = head_tag.contents[0]
print(title_tag)
text = title_tag.contents[0]
print(text)

　　 说明：

　　　　字符串没有 .contents 属性,因为字符串没有子节点

　　（2）children

　　　　得到一个节点的迭代器,可以遍历之获取其中的元素

from bs4 import BeautifulSoup
soup=BeautifulSoup(open("index.html"),"html.parser")
head_tag = soup.head
contents=head_tag.contents
title_tag = head_tag.contents[0]
for child in title_tag.children:
    print(child)

　　（3）descendants 

　　　　对所有tag的子孙节点进行递归循环

from bs4 import BeautifulSoup
soup=BeautifulSoup(open("index.html"),"html.parser")
head_tag = soup.head
for child in head_tag.descendants:
    print(child)

<head>标签只有一个子节点,但是有2个子孙节点

from bs4 import BeautifulSoup
soup=BeautifulSoup(open("index.html"),"html.parser")
print(len(list(soup.children)))
print(len(list(soup.descendants)))

　　（4）string

from bs4 import BeautifulSoup
soup=BeautifulSoup(open("index.html"),"html.parser")
head_tag = soup.head
contents=head_tag.contents
title_tag = head_tag.contents[0]

　　　　如果tag只有一个 NavigableString 类型子节点,那么这个tag可以使用 .string 得到子节点

print(title_tag.string)

　

　　　　如果一个tag仅有一个子节点,那么这个tag也可以使用

print(head_tag.string)

　

　　　　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

print(soup.html.string)

 

　　（4）strings

　　　　如果tag中包含多个字符串  ,可以使用 .strings 来循环获取

from bs4 import BeautifulSoup
soup=BeautifulSoup(open("index.html"),"html.parser")
for string in soup.strings:
    print(repr(string))

　　.stripped_strings 可以去除多余空白内容

from bs4 import BeautifulSoup
soup=BeautifulSoup(open("index.html"),"html.parser")
for string in soup.stripped_strings:
    print(repr(string))

全部是空格的行会被忽略掉,段首和段末的空白会被删除

2.父亲节点

　　（1）parent 

　　　　获取某个元素的父节点

soup=BeautifulSoup(open("index.html"),"html.parser")
head_tag = soup.head
contents=head_tag.contents
title_tag = head_tag.contents[0]
print(title_tag)
#<head>标签是<title>标签的父节点
print(title_tag.parent)
#顶层节点比如<html>的父节点是 BeautifulSoup 对象
print(type(soup.html.parent))
#BeautifulSoup 对象的 .parent 是None
print(soup.parent)

　　（2）.parents 

　　　　递归得到元素的所有父辈节点

　　遍历了<a>标签到根节点的所有节点

soup=BeautifulSoup(open("index.html"),"html.parser")
link = soup.a
print(link)
for parent in link.parents:
    if parent is None:
        print(parent)
    else:
        print(parent.name)

3.兄弟节点

　　（1）next_sibling下一个节点

　　（2）previous_sibling上一个节点

sibling_soup = BeautifulSoup("<a><b>text1</b><c>text2</c></b></a>",'html.parser')
print(sibling_soup.prettify())

print(sibling_soup.b.next_sibling)
print(sibling_soup.c.previous_sibling)

　　（3）next_siblings所有的后续节点

　　（4）previous_siblings所有之前的节点

soup=BeautifulSoup(open("index.html"),"html.parser")
for sibling in soup.a.next_siblings:
    print(repr(sibling))
for sibling in soup.find(id="link3").previous_siblings:
    print(repr(sibling))

4.前后节点

　　（1）next_element 

　　　　下一个被解析的对象

　　（2）previous_element 

　　　　前一个解析对象

from bs4 import BeautifulSoup
soup=BeautifulSoup(open("index.html"),"html.parser")
last_a_tag = soup.find("a", id="link3")
print(last_a_tag)
print(last_a_tag.next_element)
print(last_a_tag.previous_element)

树的搜索

　　（1） find_all()

　　　　搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件

from bs4 import BeautifulSoup
soup=BeautifulSoup(open("index.html"),"html.parser")
print(soup.find_all("a"))
print(soup.find_all(id="link2"))
import re
print(soup.find(string=re.compile("sisters")))
#Once upon a time there were three little sisters; and their names were

　　格式： find_all( name , attrs , recursive , string , **kwargs )

　　说明：

　　(a)name 参数

　　　　　　可以查找所有名字为 name 的tag,字符串对象会被自动忽略掉

 　　　　　　eg：soup.find_all("title")

　　(b)keyword 参数

　　　　　　　指定名字的参数不是搜索内置的参数名,搜索时会把该参数当作指定名字tag的属性来搜索

　　　　　　　　如果包含一个名字为 id 的参数,Beautiful Soup会搜索每个tag的”id”属性

　　　　　　　　 eg:soup.find_all(id='link2')

　　　　　　　　如果传入 href 参数,Beautiful Soup会搜索每个tag的”href”属性

　　　　　　　　eg:soup.find_all(href=re.compile("elsie"))

　　　　　　　　查找所有包含 id 属性的tag,无论 id 的值是什么

　　　　　　　　eg:soup.find_all(id=True)

　　　　　　　　有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性,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

from bs4 import BeautifulSoup
data_soup = BeautifulSoup('<div data-foo="value">foo!</div>','lxml')
print(data_soup.find_all(attrs={"data-foo": "value"}))

　　　　(c)CSS搜索

　　　　　　eg:soup.find_all("a", class_="sister")

　　　　(d)string参数

　　　　　　eg:

　　　　　　　　soup.find_all(string=["Tillie", "Elsie", "Lacie"])

　　　　(e)limit参数

　　　　　　限制返回结果的数量

　　　　　　eg:

　　　　　　　　soup.find_all("a", limit=2)

　　　　(f)recursive

　　　　　　只搜索tag的直接子节点,使用参数 recursive=False

　　（1）find() 

　　　格式：　find( name , attrs , recursive , string , **kwargs )　

　　　　soup.find_all('title', limit=1)  #返回结果是值包含一个元素的列表，没有找到目标是返回空列表

　　　　soup.find('title') #直接返回结果，找不到目标时,返回 None

获取文档内容

get_text() 

　　可以获取到tag中包含的所有文版内容包括子孙tag中的内容,并将结果作为Unicode字符串返回

from bs4 import BeautifulSoup
markup = '<a href="http://example.com/">\nI linked to <i>example.com</i>\n</a>'
soup = BeautifulSoup(markup,"html.parser")
print(soup.get_text())
print(soup.i.get_text())

　　可以通过参数指定tag的文本内容的分隔符

from bs4 import BeautifulSoup
markup = '<a href="http://example.com/">\nI linked to <i>example.com</i>\n</a>'
soup = BeautifulSoup(markup,"html.parser")
print(soup.get_text("|"))

　　可以去除获得文本内容的前后空白

from bs4 import BeautifulSoup
markup = '<a href="http://example.com/">\nI linked to <i>example.com</i>\n</a>'
soup = BeautifulSoup(markup,"html.parser")
print(soup.get_text("|", strip=True))

　　用 .stripped_strings获得文本列表

from bs4 import BeautifulSoup
markup = '<a href="http://example.com/">\nI linked to <i>example.com</i>\n</a>'
soup = BeautifulSoup(markup,"html.parser")
print([text for text in soup.stripped_strings])

安装解析器

　　创建 BeautifulSoup 对象

 

解析器使用方法优势劣势
Python标准库 BeautifulSoup(markup, "html.parser")
  • Python的内置标准库
  • 执行速度适中
  • 文档容错能力强
  • Python 2.7.3 or 3.2.2)前 的版本中文档容错能力差
lxml HTML 解析器 BeautifulSoup(markup, "lxml")
  • 速度快
  • 文档容错能力强
  • 需要安装C语言库
lxml XML 解析器

BeautifulSoup(markup, ["lxml-xml"])

BeautifulSoup(markup, "xml")
  • 速度快
  • 唯一支持XML的解析器
  • 需要安装C语言库
html5lib BeautifulSoup(markup, "html5lib")
  • 最好的容错性
  • 以浏览器的方式解析文档
  • 生成HTML5格式的文档
  • 速度慢
  • 不依赖外部扩展

　　

pip install html5lib
pip install lxml

 

　　lxml解析器,效率更高

参考资料：

　　http://beautifulsoup.readthedocs.io/zh_CN/latest/

 

posted @ 2017-09-04 11:50  慕尘  阅读(1035)  评论(0)  编辑  收藏  举报