BeautifulSoup总结
1. 参考
Beautiful Soup Documentation (4.4.0 英文部分内容有别于4.2.0中文)
阮一峰 CSS选择器笔记
2. 安装
pip install beautifulsoup4
pip install lxml
pip install html5lib
3. 使用
3.1将字符串或文件句柄传入BeautifulSoup 的构造方法
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>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc)
with open("index.html") as fp:
soup = BeautifulSoup(fp, 'lxml')
支持文档类型:html, xml和html5
默认优先顺序:lxml, html5lib和html.parser,最好显式指定文档解析器
区别:
BeautifulSoup("<a></p>", "解析器")
|
||||
lxml
|
<html><body><a></a></body></html>
|
忽略没有开头的</p> |
补全部分<html>
|
推荐,高效,唯一支持xml,需自行安装 |
html5lib
|
<html><head></head><body><a><p></p></a></body></html>
|
没有忽略 |
补全所有,包括<head>
|
容错性最好,速度慢 |
html.parser
|
<a></a>
|
忽略没有开头的</p> |
不作补全
|
内置标准库 |
3.2 格式化显示文档树
print(soup.prettify())
默认formatter="minimal",专注生成有效的HTML/XML
formatter=None,方便观察实际显示效果
In [70]: print(soup.prettify(formatter=None))
<html>
<body>
<p>
Il a dit <<Sacré bleu!>> #可能生成无效HTML
</p>
</body>
</html>
3.3 简单用法
1 In [86]: soup.a #定位tag
2 Out[86]: <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
3
4 In [87]: soup.a.name
5 Out[87]: 'a'
6
7 In [88]: soup.a.string #The string
argument is new in Beautiful Soup 4.4.0. In earlier versions it was called text
8 Out[88]: u'Elsie'
9
10 In [89]: soup.a.attrs #字典属性
11 Out[89]: {'class': ['sister'], 'href': 'http://example.com/elsie', 'id': 'link1'}
12
13 In [90]: soup.a.get('class') #在Beautiful Soup中多值属性的返回类型是list,最常见的多值的属性是 class
14 Out[90]: ['sister']
15
16 In [91]: soup.a['class']
17 Out[91]: ['sister']
18
19 In [92]: soup.a.get('href') #一般属性返回字符串,若无return None
20 Out[92]: 'http://example.com/elsie'
21
22 In [93]: soup.a['href']
23 Out[93]: 'http://example.com/elsie'
3.4 主要对象种类
1 In [100]: type(soup) 2 Out[100]: bs4.BeautifulSoup 3 4 In [101]: type(soup.a) 5 Out[101]: bs4.element.Tag 6 7 In [103]: type(soup.a.string) #可以通过unicode()方法转换成Unicode字符串 8 Out[103]: bs4.element.NavigableString
BeautifulSoup 对象表示的是一个文档的全部内容.大部分时候,可以把它当作 Tag 对象,它支持 遍历文档树 和 搜索文档树 中描述的大部分的方法。没有attribute,但有name特殊值为u'[document]'。
In [120]: isinstance(soup.a.string,unicode)
Out[120]: True
In [401]: from bs4 import NavigableString
In [402]: isinstance(soup.a.string, NavigableString)
Out[402]: True
如果想在Beautiful Soup之外使用 NavigableString 对象,需要调用 unicode() 方法,将该对象转换成普通的Unicode字符串,否则就算Beautiful Soup已方法已经执行结束,该对象的输出也会带有对象的引用地址.这样会浪费内存.
3.5 遍历文档树(定位tag,提取name,string,attrs{})
3.5.1 直接定位单个tag
soup.a #匹配的第一个tag
soup.head.title #相当于 soup.find('head').find('title'), find直接返回第一个结果
3.5.2 find_all()
find_all(self, name=None, attrs={}, recursive=True, text=None, limit=None, **kwargs)
name
soup.find_all("a") #实际是第一个位置参数name="a",完全匹配,等同soup.select('a')
soup.find_all(re.compile('^b')) #name部分匹配开头b: b body
attrs
#传入非方法参数名,将被认定为tag的属性
soup.find_all(id="link2") #tag的id属性
soup.find_all(href=re.compile("elsie")) #tag的href属性
string/text
soup.find_all(string=re.compile("sisters")) #只有一个NavigableSring子节点的tag的string属性 #The string argument is new in Beautiful Soup 4.4.0. In earlier versions it was called text
混合使用name, attrs和string
soup.find_all("a", id='link1', string="Elsie", ) #第一个name,再加任意个属性
soup.find_all("a", "sister") #name+attrs,只有class_才可以省略关键字!!!
列表的任一个条件
soup.find_all(["a", "b"])
soup.find_all(id=['link1','link2'])
soup.find_all(class_=['sister','story'])
soup.find_all(href=re.compile("elsie|lacie")) #|或
特殊属性和通用解决方法
soup.find_all(class_="sister") #使用到class关键字,改写为class_ #class_是多值属性,所以class_="strikeout"也能匹配到实际的class="body strikeout"
soup.find_all(data-foo="value") #HTML5中的 data-* 属性也会报错!!!
find_all(name=”email”) #原文<input name=”email”/>’,只会返回空,因为没有name为email的tag
soup.find_all(attrs={"data-foo": "value"}) #通用解决方法
其他参数和用法
soup.find_all("a", limit=2) #限制了返回数量
soup.html.find_all("title", recursive=False) #限制只查找直接子节点
soup.find_all("a") #所有.find_all都可以省略,缩写soup("a")
3.6 获取所有文本内容
soup.get_text("|", strip=True) #可以添加分隔符,去除前后空白(含\n)
[text for text in soup.strings] #可以观察到u'\n',或通过for循环print(repr(string))
[text for text in soup.stripped_strings]
3.7 节点层次关系
soup.a.contents(children) | #直接子节点列表(生成器) |
soup.a.descendants | #递归循环子孙节点生成器 |
soup.a.string | #只有一个NavigableString 类型子节点,此类子节点没有contents属性!!! |
soup.a.strings(stripped_strings) | #生成器(去除多余空白内容) |
.parent(s) | |
.next_sibling(s)和 .previous_sibling(s) | #同父同层 经常出现空白(‘\n’) |
.next_element(s)和.previous_element(s) | #按照文档树从外到内解析tag和string |
3.8 CSS selector
soup.select("title") #name节点列表
soup.select("p:nth-of-type(3)") #p的父元素的第三个p tag,从1开始
soup.select("html head title") #通过tag标签逐层查找,可以跳空
soup.select("head > title") #直接子标签
soup.select("p > #link1") # id=link1
soup.select(".sister") #class
soup.select("#link1") #id
soup.select('[href]') #包含属性
soup.select('[href="http://example.com/elsie"]') #属性value完全匹配
soup.select('[href*=".com/el"]') #部分匹配
soup.select('[href$="tillie"]') #结尾匹配
soup.select("a.sister") #以上都可以搭配name一起使用
soup.select("#link1,#link2") #列表任意一个
i.select('span, div'): #列表,先遍历span,再遍历div!!!
![](https://images.cnblogs.com/OutliningIndicators/ExpandedBlockStart.gif)
# 代理IP http://www.goubanjia.com/free/gngn/index1.shtml # 106.39.160.135:8888 正确 # 39.160.1358888106. 错误 # <td class="ip"> # <div style="display:inline-block;">10</div> # <div style="display:inline-block;">6.</div> # <p style="display: none;">39</p> # <span>39</span> # ... # : # <span class="port HBBAE">8888</span></td> # <p style="display: none;">39</p> 为干扰项 for i in soup.select('tbody tr td.ip'): rst = '' # for k in i.select('span, div'): #先遍历span,再遍历div!!! # rst += k.text # print rst for j in i.contents: if j.name in ['span', 'div']: #网页源代码部分hide干扰数字 rst += j.text if j == ':': rst += ':' ip, port = rst.split(':')
soup.select_one(".sister") #匹配的第一个
soup.select("#link1 ~ a") #id=link1的所有兄弟,且满足后半部分的 a
soup.select("#link1 + a") #id=link1的第一个兄弟,依旧是list
4. 其他
https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/#id85