BeautifulSoup 简述
概述
处理数据，总要面对 HTML 和 XML 文档。BeautifulSoup 是一个可以从 HTML 或 XML 中提取数据的 Python 库，功能强大、使用便捷，诚为朴实有华、人见人爱的数据处理工具。
安装
自从有了 pip 这个神器，安装就不再是问题了。BeautifulSoup 支持 Python 标准库中的 HTML 解析器，也支持其他解析器。我建议使用更牛叉的第三方解析器 lxml——我曾经用它处理过单个文件几百兆字节的xml数据，反应神速，毫无迟滞感。当然，使用系统已有的解析器，除了速度和效率，基本也不会有啥问题。
$ pip install beautifulsoup4
$ pip install lxml
开始使用
> from bs4 import BeautifulSoup > soup = BeautifulSoup("<html>data</html>", "html.parser") # 使用python内置标准库，速度适中，容错性好 > soup = BeautifulSoup("<html>data</html>", "html5lib") # 以浏览器的方式解析文档，容错性最好 > soup = BeautifulSoup("<html>data</html>", ["lxml-xml"]) # lxml XML 解析器，速度快 > soup = BeautifulSoup("<html>data</html>", "lxml") # lxml HTML 解析器，速度快，容错性好
如果没有指定解析器，BeautifulSoup 会自动查找使用系统可用的解析器。
经验总结
所有的例子，均以下面的html为例。
html_doc = """ <html> <div id="My gift"> <p class="intro short-text" align="left">One</p> <p class="intro short-text" align="center">Two</p> <p class="intro short-text" align="right">Three</p> </div> <img class="photo" src="demo.jpg"> <div class="photo"> <a href="sdysit.com"><img src="logo.png"></a> <p class="subject">山东远思信息科技有限公司</p> </div> </html> """
- 文本也是节点，我们称之为文本型节点，比如p标签中的One，Two，Three
- 某个节点的子节点往往比我们看到的多，因为在那些可见的子节点之外的换行、空格、制表位等，也都是某节点的文本型子节点
节点对象、名称、属性
使用lxml解析器生成一个 BeautifulSoup 对象 soup，然后可以使用标签名得到节点对象：
> soup = BeautifulSoup(html_doc, 'lxml') > tag = soup.html > tag.name 'html' >tag.p.name 'p'
事实上，我们可以不用在意标签的父级是谁，直接从soup得到节点对象：
> soup.p.name 'p' > soup.img['src'] 'demo.jpg' > soup.img.attrs {'class': ['photo'], 'src': 'demo.jpg'} > soup.p['class'] ['intro', 'short-text'] > soup.div['id'] 'My gift'
很显然，这样的方式得到的节点，一定是html中第一个同类型的标签。上面的例子还演示了如何取得节点对象的所有的属性和指定属性。当class属性有多个值时，返回的是一个列表，而id属性不承认多值。
节点的文本内容
取得一个节点的文本内容，有很多种方法，比如：
> soup.p.text 'One' > soup.p.getText() 'One' > soup.p.get_text() 'One' > soup.p.string 'One' > type(soup.p.string) <class 'bs4.element.NavigableString'>
当一个节点只有文本型子节点的时候，前三种方法的效果是完全一致的，第四种方法看上去差不多，但返回的类型是NavigableString（可遍历的字符串）。
当节点包括元素型子节点的时候，输出的结果可能已经不是我们需要的了。此时，可以使用 .strings 或者 .stripped_strings（去掉空行和多余的空格） 得到一个迭代器，遍历即可得到我们想要的内容。
>>> soup.div.text '\nOne\nTwo\nThree\n' >>> soup.html.text '\n\nOne\nTwo\nThree\n\n\n\n\n山东远思信息科技有限公司\n\n' >>> for item in soup.div.stripped_strings: print(item) One Two Three
子节点
.contents， .children，.descendants 都可以取得节点的子节点，但用法各不相同：
- .contents， .children 只能取得直接子节点，.descendants 则可以递归取得所有子节点
- .contents 返回的子节点的列表，.children，.descendants 返回的是迭代器
父节点
.parent 属性来获取某个元素的父节点：
>>> soup.p.parent.name 'div'
.parents 属性可以递归得到元素的所有父辈节点：
>>> for parent in soup.p.parents: print(parent.name) div body html [document]
兄弟节点
- 可以使用 .next_sibling 和 .previous_sibling 属性来查询前一个或后一个兄弟节点，但必须注意，除了可见的兄弟节点，还可能存在换行、空格、制表位等文本型的兄弟节点混杂其中。
- 可以使用 .next_siblings 和 .previous_siblings 属性取得当前节点的前面或后面的兄弟节点的迭代输出。
搜索节点
一般使用 find() 和 find_all() 搜索符合条件的第一个节点和全部节点的列表。
>>> soup.find('p') <p align="left" class="intro short-text">One</p> >>> soup.find_all('img') [<img class="photo" src="demo.jpg"/>, <img src="logo.png"/>]
使用正则表达式匹配标签名
搜索以d开头的标签：
>>> import re >>> for tag in soup.find_all(re.compile("^d")): print(tag.name) div div
使用属性搜索
>>> soup.find_all(id='My gift')[0].name # 查找id=My gift的节点 'div' >>> soup.find_all(id=True)[0].name # 查找有id属性的节点 'div' >>> soup.find_all(attrs={"id":"My gift"})[0].name # 使用attrs查找 'div' >>> soup.find_all(attrs={"class":"intro short-text","align":"right"})[0].text # 使用attrs查找 'Three' >>> soup.find_all(attrs={"align":"right"})[0].text # 使用attrs查找 'Three'
使用CSS搜索
>>> soup.find_all("p", class_="intro") [<p align="left" class="intro short-text">One</p>, <p align="center" class="intro short-text">Two</p>, <p align="right" class="intro short-text">Three</p>] >>> soup.find_all("p", class_="intro short-text") [<p align="left" class="intro short-text">One</p>, <p align="center" class="intro short-text">Two</p>, <p align="right" class="intro short-text">Three</p>] >>>
使用文本内容搜索
>>> soup.find_all(string="Two") ['Two'] >>> soup.find_all(string=re.compile("Th")) ['Three']
使用函数筛选
>>> def justdoit(tag): return tag.parent.has_attr('id') and tag['align']=='center' >>> soup.find_all(justdoit) [<p align="center" class="intro short-text">Two</p>]
