【Python爬虫学习笔记（3）】Beautiful Soup库相关知识点总结

1. Beautiful Soup简介

    Beautiful Soup是将数据从HTML和XML文件中解析出来的一个python库，它能够提供一种符合习惯的方法去遍历搜索和修改解析树，这将大大减少爬虫程序的运行时间。

    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。你不需要考虑编码方式，除非文档没有指定一个编码方式，这时，Beautiful Soup就不能自动识别编码方式了。然后，你仅仅需要说明一下原始编码方式就可以了。

    Beautiful Soup已成为和lxml、html6lib一样出色的python解释器，为用户灵活地提供不同的解析策略或强劲的速度。

 

2. Beautiful Soup安装

   利用pip可以迅速安装，目前最新版本为BeautifulSoup4。

1 $ pip install beautifulsoup4

    安装后，import一下bs4就可以使用了。

1 from bs4 import BeautifulSoup

 

3. 创建Beautiful Soup对象

   我们利用以下测试文件来进行之后的总结。

 1 html = """
 2 <html><head><title>The Dormouse's story</title></head>
 3 <body>
 4 <p class="title" name="dromouse"><b>The Dormouse's story</b></p>
 5 <p class="story">Once upon a time there were three little sisters; and their names were
 6 <a href="http://example.com/elsie" class="sister" id="link1"><!-- Elsie --></a>,
 7 <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
 8 <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
 9 and they lived at the bottom of a well.</p>
10 <p class="story">...</p>
11 """

    import之后，创建一个BeautifulSoup对象如下参数可以是一个抓取到的unicode格式的网页html，也可以是一个已经保存到本地的html文件test.html。

1 soup = BeautifulSoup(html)
2 soup = BeautifulSoup(open('test.html'))

    创建后查看是否创建成功。注意：有时需要在后面加上encode('utf-8')来进行编码才能将soup对象正确显示出来。

1 print soup.prettify()

 

4. 四种Beautiful Soup对象类型

    Beautiful Soup一共有四大对象种类，包括Tag，NavigableString，BeautifulSoup和Comment。

4.1 Tag

Tag对象

    Tag就是html文件中的标签以及标签之间的内容，例如以下就是一个Tag。

1 <title>The Dormouse's story</title>

    可以这样得到title这个Tag，第二行为运行结果。

1 print soup.title
2 #<title>The Dormouse's story</title>

    注意：如果得到的是'bs4.element.Tag'类型的对象可以继续进行后续的.操作，即能进行soup对象所能进行的操作，所以需要确保一个对象是'bs4.element.Tag'类型后再进行后续对其的操作，例如后面将介绍的.find方法是Tag对象才拥有的。

1 print type(soup.title)
2 #<class 'bs4.element.Tag'>

Tag方法

.name

    Tag对象的.name方法得到的是该Tag的标签本身名称。

1 print soup.title.name
2 #title

.attrs

    Tag对象的.attrs将得到标签中所有属性的字典。

1 print soup.p.attrs
2 #{'class': ['title'], 'name': 'dromouse'}

    可以对Tag对象进行字典可以进行的操作，例如修改，删除，读取等。

 1 print soup.p['class']#读取（方法一）
 2 #['title']
 3 print soup.p.get('class')#读取（方法二）
 4 #['title']
 5 
 6 soup.p['class']="newClass"#修改
 7 print soup.p
 8 #<p class="newClass" name="dromouse"><b>The Dormouse's story</b></p>
 9 
10 del soup.p['class']#删除
11 print soup.p
12 #<p name="dromouse"><b>The Dormouse's story</b></p>

4.2 NavigableString

    标签内部的内容由.string方法可以得到，且这些内容为'bs4.element.NavigableString'类型的对象。

1 print soup.p.string
2 #The Dormouse's story
3 
4 print type(soup.p.string)
5 #<class 'bs4.element.NavigableString'>

4.3 BeautifulSoup

    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，是一个特殊的 Tag。

1 print type(soup.name)
2 #<type 'unicode'>
3 print soup.name 
4 # [document]
5 print soup.attrs 
6 #{} 空字典

4.4 Comment

    前三种类型几乎涵盖了在HTML或者XML中所有的内容，但是Comment类型是需要关心的一种，和CData，ProcessingInstruction，Declaration，Doctype一样，它是NavigableString类型的一个子类，通过以下代码可以简单了解它的功能。

 1 markup = "<b><!--Hey, buddy. Want to buy a used parser?--></b>"#标签中内容为注释
 2 soup = BeautifulSoup(markup)
 3 comment = soup.b.string
 4 type(comment)
 5 # <class 'bs4.element.Comment'>
 6 comment
 7 # u'Hey, buddy. Want to buy a used parser'
 8 print(soup.b.prettify())
 9 # <b>
10 #  <!--Hey, buddy. Want to buy a used parser?-->
11 # </b>

    注意：标签里的内容实际上是注释，但是如果我们利用 .string 来输出它的内容，我们发现它已经把注释符号去掉了，所以这可能会给我们带来不必要的麻烦，需要在使用或者进行一些操作 之前进行类型判断。

1 if type(soup.b.string)==bs4.element.Comment:
2     ...

 

5. 树的遍历

5.1 子孙节点

.content

    Tag对象的.content方法可以得到其子节点的一个列表表示。

1 print soup.head.contents 
2 #[<title>The Dormouse's story</title>]

    当然，既然是列表可以用索引直接得到某一项。

1 print soup.head.contents[0]
2 #<title>The Dormouse's story</title>

.children

    Tag对象的.children方法得到一个其子节点的迭代器，可以遍历之获取其中的元素。

1 for child in  soup.body.children:
2     print child

.descendants

    与.content和.children只得到直接子节点不同，.descendants能对所有子孙节点迭代循环，将标签层层剥离得到所有子节点，同样通过遍历的方法得到每个子孙节点。

1 for child in soup.descendants:
2     print child

5.2 父亲节点

.parent

    Tag对象的.parent方法能得到其直接父节点。

.parents

    用.parents属性可以递归得到元素的所有父节点。

1 content = soup.head.title.string
2 for parent in  content.parents:
3     print parent.name
4 #title
5 #head
6 #html
7 #[document]

5.3 兄弟节点

.next_sibling和.next_siblings

    .next_sibling得到Tag对象平级的下一个节点，如果不存在则返回None。.next_siblings得到Tag对象平级的下面所有兄弟节点。

.previous_sibling和.previous_siblings

    .previous_sibling得到Tag对象平级的上一个节点，如果不存在则返回None。.next_siblings得到Tag对象平级的上面所有兄弟节点。

    注意:由于在HTML文档中的空白和换行也被视作是一个节点，所以可能得到的兄弟节点（或者子节点父节点）会是空白类型或者字符串类型而不是Tag，所以在进行下一步操作时一定要先用type函数进行类型的判断。

5.4 前后节点

.next_element和.next_elements

    与 .next_sibling和.next_siblings 不同，它并不是针对于兄弟节点，而是在所有节点，不分层次得到下一个节点和所有的后续节点。.next_elements的结果通过遍历访问。

.previous_element和.previous_elements

    这两个方法将不分层次得到上一个节点和所有之前的节点。.previous_elements的结果通过遍历访问。

5.4 节点内容

.string

    如果一个标签里面没有标签了，那么 .string 就会返回标签里面的内容。如果标签里面只有唯一的一个标签了，那么 .string 也会返回最里面的内容。

1 print soup.head.string
2 #The Dormouse's story
3 print soup.title.string
4 #The Dormouse's story

    而如果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，输出结果是 None。

.strings和.stripped_strings

    当一个Tag对象有多个子节点时，可以用.strings方法再通过遍历获得所有子节点的内容。

 1 for string in soup.strings:
 2     print(repr(string))
 3     # u"The Dormouse's story"
 4     # u'\n\n'
 5     # u"The Dormouse's story"
 6     # u'\n\n'
 7     # u'Once upon a time there were three little sisters; and their names were\n'
 8     # u'Elsie'
 9     # u',\n'
10     # u'Lacie'
11     # u' and\n'
12     # u'Tillie'
13     # u';\nand they lived at the bottom of a well.'
14     # u'\n\n'
15     # u'...'
16     # u'\n'

    用.stripped_strings方法可以得到过滤掉空格和空行的内容。

.get_text（)

    如果你仅仅想要得到文档或者标签的文本部分，可以使用.get_text（)方法，它能以一个单一的一个Unicode串的形式返回文档中或者Tag对象下的所有文本。

1 markup = '<a href="http://example.com/">\nI linked to <i>example.com</i>\n</a>'
2 soup = BeautifulSoup(markup)
3 
4 soup.get_text()
5 #u'\nI linked to example.com\n'
6 soup.i.get_text()
7 #u'example.com'

    你可以指定一个字符串来连接文本的位。

1 soup.get_text("|")
2 #u'\nI linked to |example.com|\n'

    进一步，通过strip去除掉文本每个位的头尾空白。

1 soup.get_text("|", strip=True)
2 #u'I linked to|example.com'

    用列表推导式以及.stripped_strings方法罗列出文本内容。

1 [text for text in soup.stripped_strings]
2 #[u'I linked to', u'example.com']

 

6. 树的搜索

6.1 find_all(name, attrs, recursive, string, limit, **kwargs)

    该方法将搜索当前Tag对象的所有子节点，并且按照过滤条件得到筛选后对象的列表。

name参数

1）传字符串

    最简单的方法是传入标签名的字符串，可以得到所有以该字符串为标签名的一个列表。

1 print soup.find_all('a')
2 #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

2）传正则表达式

    可以通过传正则表达式得到符合表达式规则的Tag对象。

1 import re
2 for tag in soup.find_all(re.compile("^b")):
3     print(tag.name)
4 # body
5 # b

3）传列表

    可以传入一个字符串的列表，将匹配列表中标签的Tag全部返回。

1 soup.find_all(["a", "b"])
2 # [<b>The Dormouse's story</b>,
3 #  <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
4 #  <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>,
5 #  <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

4）传True

    True参数将匹配文档中所有的节点，但是不包括文本字符串。

 1 for tag in soup.find_all(True):
 2     print(tag.name)
 3 # html
 4 # head
 5 # title
 6 # body
 7 # p
 8 # b
 9 # p
10 # a
11 # a
12 # a
13 # p

5）传入函数

    可以根据函数返回值的True/False来得到匹配的节点。

1 def has_class_but_no_id(tag):
2     return tag.has_attr('class') and not tag.has_attr('id')
3 
4 soup.find_all(has_class_but_no_id)
5 # [<p class="title"><b>The Dormouse's story</b></p>,
6 #  <p class="story">Once upon a time there were...</p>,
7 #  <p class="story">...</p>]

关键字参数

    可以传入一个或者多个关键字，BeautifulSoup会搜索当前Tag下的每一个节点的该关键字及其对应的值。

1 soup.find_all(href=re.compile("elsie"), id='link1')
2 # [<a class="sister" href="http://example.com/elsie" id="link1">three</a>]

    特殊：如果希望用class及其值作为过滤条件，由于class是python的关键字，所以需要作如下处理。

1 soup.find_all("a", class_="sister")
2 # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
3 #  <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>,
4 #  <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

    另外，有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性，可以这样来进行过滤。

1 data_soup = BeautifulSoup('<div data-foo="value">foo!</div>')
2 data_soup.find_all(attrs={"data-foo": "value"})
3 # [<div data-foo="value">foo!</div>]

text参数

    可以在文档中搜索一些字符串内容，与name参数的可选值一样，可以传字符串，列表，正则表达式和True。

1 soup.find_all(text="Elsie")
2 # [u'Elsie']
3 
4 soup.find_all(text=["Tillie", "Elsie", "Lacie"])
5 # [u'Elsie', u'Lacie', u'Tillie']
6 
7 soup.find_all(text=re.compile("Dormouse"))
8 [u"The Dormouse's story", u"The Dormouse's story"]

limit参数

    可用该参数限制返回的节点数目，例子中本身有3个符合的节点，仅输出两个。

1 soup.find_all("a", limit=2)
2 # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
3 #  <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

recursive参数

    将该参数设为False可限制只搜索当前Tag的直接子节点，可以节省很多搜索时间。

1 soup.html.find_all("title")
2 # [<title>The Dormouse's story</title>]
3 soup.html.find_all("title", recursive=False)
4 # []

6.2. find( name , attrs , recursive , text , **kwargs )

    它与 find_all() 方法唯一的区别是 find_all() 方法的返回结果是值包含一个元素的列表,而 find() 方法直接返回结果

6.3. find_parents()和find_parent()

  find_all() 和 find() 只搜索当前节点的所有子节点,孙子节点等. find_parents() 和 find_parent() 用来搜索当前节点的父辈节点,搜索方法与普通tag的搜索方法相同,搜索文档搜索文档包含的内容

6.4. find_next_siblings()和find_next_sibling()

    这2个方法通过 .next_siblings 属性对当 tag 的所有后面解析的兄弟 tag 节点进行迭代, find_next_siblings() 方法返回所有符合条件的后面的兄弟节点,find_next_sibling() 只返回符合条件的后面的第一个tag节点

6.5. find_previous_siblings()和find_previous_sibling()

    这2个方法通过 .previous_siblings 属性对当前 tag 的前面解析的兄弟 tag 节点进行迭代, find_previous_siblings()方法返回所有符合条件的前面的兄弟节点, find_previous_sibling() 方法返回第一个符合条件的前面的兄弟节点。

6.6. find_all_next()和find_next()

    这2个方法通过 .next_elements 属性对当前 tag 的之后的 tag 和字符串进行迭代, find_all_next() 方法返回所有符合条件的节点, find_next() 方法返回第一个符合条件的节点

6.7. find_all_previous()和find_previous()

    这2个方法通过 .previous_elements 属性对当前节点前面的 tag 和字符串进行迭代, find_all_previous() 方法返回所有符合条件的节点, find_previous()方法返回第一个符合条件的节点

 

参考资料：

http://www.crummy.com/software/BeautifulSoup/bs4/doc/#

转载请注明：

http://www.cnblogs.com/wuwenyan/p/4773427.html

posted on 2015-08-31 16:50  EscapePlan  阅读(8259)  评论(0)  编辑  收藏  举报

导航