解析库beautifulsoup
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 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
1、安装 Beautiful Soup
pip3 install beautifulsoup4
基本使用
from bs4 import BeautifulSoup # 导入BeautifulSoup
# html.parser内置标准库，不需要安装第三方模块，速度慢
soup=BeautifulSoup(res.text,'html.parser') 实例化得到对象
# 安装第三方库解析器
pip3 install lxml
soup=BeautifulSoup(res.text,'lxml') 实例化得到对象2、bs4的使用
文档模板
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p id="my_p" class="title">hello<b id="bbb" class="boldest">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>
import requests
from bs4 import BeautifulSoup
soup=BeautifulSoup(html_doc,'lxml') # 文档字符串内容丢进去解析，第二个参数选择解析器
soup=BeautifulSoup(open('a.html'),'lxml') # 如果是一个文件，要open才能解析
print(soup.prettify()) # 美化文档二、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
head=soup.head
print(head)
2、获取标签的名称
head=soup.head
print(head.name)
3、获取标签的属性(重点)
p=soup.p # 直接找p标签，跟p=soup.find('p')等价，速度慢一点
p=soup.body.p # 遍历是从根上找，速度更快
print(p.attrs) # attrs拿出标签所有属性以字典形式，如{'id':'my_p', 'class':['title]}，其中class属性可能有多个，即便有一个也放到列表中
# 支持三种方式取出属性中class的值，取出来是个列表
print(p.attrs.get('class'))
print(p['class'])
print(p.get('class'))
4、获取标签的内容
p=soup.body.p
print(p.text) # text会取该标签以及它下的子孙标签的文本内容，拼到一起
print(p.content) # 获取标签的二进制内容
print(p.string) # p标签自己内部有文本，则取到，否则为None;这个文本不能是子孙标签里的文本
print(p.strings) # 怕p标签下的文本太多，把所有内容放到生成器里
print(list(p.strings)) # list遍历生成器，取出p标签下所有内容
5、嵌套选择(重点)
a=soup.body.a
print(a.get('id'))
6、子节点、子孙节点(不用)
print(soup.p.contents) # p下所有子节点(包含了文本内容)
print(soup.p.children) # 得到一个迭代器,包含p下所有子节点
print(list(soup.p.children)) # list遍历迭代器，取出p标签下所有子孙节点
7、父节点、祖先节点(不用)
print(soup.a.parent) # 获取a标签的父节点(只有一个)
print(soup.a.parents) # 得到一个生成器,包含a标签所有的祖先节点
print(list(soup.a.parents)) # list遍历，取出a标签所有最先节点
8、兄弟节点(不用)
print(soup.a.next_sibling) # 紧邻的下一个兄弟
print(soup.a.previous_sibling) # 紧邻的上一个兄弟
print(list(soup.a.next_siblings)) #下面的兄弟们=>生成器对象
print(list(soup.a.previous_siblings)) #上面的兄弟们=>生成器对象
# 重点：取标签名，取属性值，嵌套选择
三、搜索文档树(过滤)
1、两种主要搜索方式
find() # 只返回找到的第一个
find_all() # 返回找到的所有
find_all()的两个参数
# limit(限制查找的条数)
# 有name的标签，只要第一条，相当于find，唯一的区别是 find_all() 方法的返回结果是包含一个元素的列表,而 find() 方法直接返回结果
# 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
res=soup.find_all(name=True,limit=1)
print(res)
# recursive（recursive默认True，递归查找，找子子孙孙），不用递归查找速度快点
res=soup.body.find_all(name='b',recursive=False) # 从body往下找，不递归，找不到b标签
res=soup.body.find_all(name='b',recursive=True) # 递归查找可以找到b标签
res=soup.body.find_all(name='p',recursive=False) # 从body往下找，不递归，可以找到p标
print(res)2、五种过滤器：字符串、正则表达式、列表、True、方法
2.1、字符串过滤，过滤条件name/id/attrs/text(文档内容)，过滤内容是字符串
res=soup.find_all(text='The Dormouse's story') # 按文档内容找标签
res=soup.find(name='a') # 按标签名字查找
res=soup.find(id='my_p') # 按id查找
res=soup.find(class_='story') # 按属性查找，class属性关键字冲突，要用class_
res=soup.find(href='http://example.com/elsie') # 按属性查找
res=soup.find(attrs={'id':'my_p'}) # attrs是所有属性，按照属性的key:val查找
res=soup.find(attrs={'class':'story'})
print(res)
# 过滤条件是and关系，可以soup.find(name='a', id='my_p')
2.2、正则表达式，过滤条件name/id/attrs/text，过滤内容是正则表达式
import re
re_b=re.compile('^b') # 预编译正则表达式
res=soup.find(name=re_b) # 查找标签名字是b开头的，返回一个
res=soup.find_all(name=re_b) # 查找标签名字是b开头的所有标签
res=soup.find_all(id=re.compile('^l')) # 查找id是l开头的所有的标签
print(res)
2.3、列表，过滤条件name/id/attrs/text，过滤内容是列表，用来查找所有
res=soup.find_all(name=['body','b']) # 查找名字是body和b的标签
res=soup.find_all(class_=['sister','title']) # 查找class属性是'sister','title'的标签
print(res)
2.4、布尔，过滤条件name/id/attrs，过滤内容是Ture/False，用来查所有
res=soup.find_all(id=True) # 查找所有带id的标签
res=soup.find_all(id=False) # 查找所有不带id的标签
res=soup.find_all(href=True) # 查找所有有href属性的标签，就把链接全部拿到了
print(res)
2.5、方法（了解） 自定义过滤内容
# 定义一个方法传入tag，返回有class属性没有id的标签
def has_class_but_no_id(tag):
return tag.has_attr('class') and not tag.has_attr('id')
print(soup.find_all(has_class_but_no_id))3、支持css选择器，不用find方法，而是用select方法；找出来的都放列表，即使一个也放列表
ret=soup.select('#my_p') # 查找id为my_p的标签
ret=soup.select('body p') # 查找body下的子子孙孙所有的p标签
ret=soup.select('body>p') # 只查找body下的儿子p标签，只到儿子节点
ret=soup.select('body>p')[0].text
ret=soup.select('body>p')[0].get_text() # 两种方式都可以取出文本内容
print(ret)四、修改文档树
不仅可以修改name、id、class，还可以往html页面插入标签，插入内容
应用：有些java软件配置文件是xml格式的，可以用bs4来操作修改
目前软件的配置文件，主要是以下几种
# ini： 用configparser模块操作
# conf
# xml： 用bs4模块操作
# yaml格式五、总结
1、推荐使用lxml解析库
2、讲了三种选择器:标签选择器(遍历文档树),find与find_all(搜索文档树)，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
