Beautifulsoup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。官网推荐在现在的项目中使用Beautiful Soup4，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。

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

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、标签选择器

# 1 标签选择器：即直接通过标签名字选择，选择速度快，如果存在多个相同的标签则只返回第一个
# 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 兄弟标签

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,'lxml')
print(soup)
print(soup.prettify())    # 容错处理，自动补全代码来展示

# 标签选择器：速度快，查找有局限性
print(soup.p)   # 只找第一个

# 支持嵌套查找
print(soup.p.b)

# 查找标签的属性
print(soup.a.attrs)

# 查找标签的内容
print(soup.a.text)
print(soup.a.get_text())
print(soup.a.string)

# 查找标签的标签名
print(soup.a.name)

# 查找子节点
print(list(soup.p.children))
print(soup.p.contents)

# 查找子孙节点
print(list(soup.b.descendants))

# 查找父节点
print(soup.a.parent)

# 查找祖先节点
print(list(soup.a.parents))

# 兄弟节点
print(soup.a.next_siblings)   # 得到生成器对象
print(soup.a.previous_siblings)   # 得到生成器对象

标签选择器

四、标准选择器

# find与findall：用法完全一样，可根据标签名，属性，内容查找文档，但是find只找第一个元素
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"><span>Elsie</span></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,'lxml')

# 按照标签名查找
print(soup.find_all('a'))
print(soup.find_all('a',id='link3'))
print(soup.find_all('a',id='link3',attrs={'class':"sister"}))
print(soup.find_all('a')[0].find('span'))   # 嵌套查找

# 按照属性查找
print(soup.p.find_all(attrs={'id':'link1'}))    # 等同于print(soup.find_all(id='link1'))
print(soup.p.find_all(attrs={'class':'sister'}))
print(soup.find_all(class_='sister'))

# 按照文本内容查找
print(soup.p.find_all(text="The Dormouse's story")) # 按照完整内容匹配（是==而不是in）,得到的结果也是内容

五、CSS选择器

# 该模块提供了select方法来支持css

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title">
    <b>The Dormouse's story</b>
    Once upon a time there were three little sisters; and their names were
    <a href="http://example.com/elsie" class="sister" id="link1">
        <span>Elsie</span>
    </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>;
    <div class='panel-1'>
        <ul class='list' id='list-1'>
            <li class='element'>Foo</li>
            <li class='element'>Bar</li>
            <li class='element'>Jay</li>
        </ul>
        <ul class='list list-small' id='list-2'>
            <li class='element'><h1 class='yyyy'>Foo</h1></li>
            <li class='element xxx'>Bar</li>
            <li class='element'>Jay</li>
        </ul>
    </div>
    and they lived at the bottom of a well.
</p>
<p class="story">...</p>
"""
from bs4 import BeautifulSoup
soup=BeautifulSoup(html_doc,'lxml')

# CSS选择器
print(soup.p.select('.sister'))
print(soup.select('.sister span'))

print(soup.select('#link1'))
print(soup.select('#link1 span'))

print(soup.select('#list-2 .element.xxx'))

print(soup.select('#list-2')[0].select('.element'))

# 获取属性
print(soup.select('#list-2 h1')[0].attrs)

# 获取内容
print(soup.select('#list-2 h1')[0].get_text())

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findall，css选择器
        --标签选择器筛选功能弱，但是速度快
        --建议使用find，findall查询匹配单个结果或者多个结果
        --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

可参考中文文档：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html

posted @ 2017-11-11 15:12 申不二阅读(210) 评论(0) 编辑收藏举报

刷新页面返回顶部

申不二

Beautifulsoup模块

公告