beautifulsoup教程
beautifulsoup教程
BeautifulSoup4是爬虫必学的技能。BeautifulSoup最主要的功能是从网页抓取数据，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。BeautifulSoup支持Python标准库中的HTML解析器,还支持一些第三方的解析器，如果我们不安装它，则 Python 会使用 Python默认的解析器，lxml 解析器更加强大，速度更快，推荐使用lxml 解析器。
一、BeautifulSoup4简介
BeautifulSoup4和 lxml 一样，Beautiful Soup 也是一个HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 数据。
BeautifulSoup支持Python标准库中的HTML解析器,还支持一些第三方的解析器，如果我们不安装它，则 Python 会使用 Python默认的解析器，lxml 解析器更加强大，速度更快，推荐使用lxml 解析器。
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。
二、BeautifulSoup4主要解析器，以及优缺点：
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-8f6XgNXi-1598587320926)(beautifulsoup%E6%95%99%E7%A8%8B/4CD4F032-4D45-4F82-8C15-0C791A2C34CA.png)]
三、BeautifulSoup4简单使用
假设有这样一个Html，具体内容如下：
1. <!DOCTYPE html> 2. <html> 3. 4. <head> 5. <meta content="text/html;charset=utf-8" http-equiv="content-type" /> 6. <meta content="IE=Edge" http-equiv="X-UA-Compatible" /> 7. <meta content="always" name="referrer" /> 8. <link href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css" rel="stylesheet" type="text/css" /> 9. <title>百度一下，你就知道 </title> 10. </head> 11. 12. <body link="#0000cc"> 13. <div id="wrapper"> 14. <div id="head"> 15. <div class="head_wrapper"> 16. <div id="u1"> 17. <a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻 </a> 18. <a class="mnav" href="https://www.hao123.com" name="tj_trhao123">hao123 </a> 19. <a class="mnav" href="http://map.baidu.com" name="tj_trmap">地图 </a> 20. <a class="mnav" href="http://v.baidu.com" name="tj_trvideo">视频 </a> 21. <a class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">贴吧 </a> 22. <a class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;">更多产品 </a> 23. </div> 24. </div> 25. </div> 26. </div> 27. </body> 28. 29. </html>
创建beautifulsoup4对象：
1. from bs4 import BeautifulSoup 2. file = open('./aa.html', 'rb') 3. html = file.read() 4. bs = BeautifulSoup(html,"html.parser") # 缩进格式 5. 6. print(bs.prettify()) # 获取title标签的所有内容 7. print(bs.title) # 获取title标签的名称 8. print(bs.title.name) # 获取title标签的文本内容 9. print(bs.title.string) # 获取head标签的所有内容 10. print(bs.head) # 获取第一个div标签中的所有内容 11. print(bs.div) # 获取第一个div标签的id的值 12. print(bs.div["id"]) # 获取第一个a标签中的所有内容 13. print(bs.a) # 获取所有的a标签中的所有内容 14. print(bs.find_all("a")) # 获取id="u1" 15. print(bs.find(id="u1")) # 获取所有的a标签，并遍历打印a标签中的href的值 16. 17. for item in bs.find_all("a"): 18. print(item.get("href")) # 获取所有的a标签，并遍历打印a标签的文本值 19. 20. for item in bs.find_all("a"): 21. print(item.get_text())
四、BeautifulSoup4四大对象种类
BeautifulSoup4将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种:
- Tag
- NavigableString
- BeautifulSoup
- Comment
4.1 、Tag
Tag通俗点讲就是HTML中的一个个标签，例如：
1. from bs4 import BeautifulSoup 2. file = open('./aa.html', 'rb') 3. html = file.read() 4. bs = BeautifulSoup(html,"html.parser") 5. 6. # 获取title标签的所有内容 7. print(bs.title) 8. 9. # 获取head标签的所有内容 10. print(bs.head) 11. 12. # 获取第一个a标签的所有内容 13. print(bs.a) 14. 15. # 类型 16. print(type(bs.a))
我们可以利用 soup 加标签名轻松地获取这些标签的内容，这些对象的类型是bs4.element.Tag。但是注意，它查找的是在所有内容中的第一个符合要求的标签。
对于 Tag，它有两个重要的属性，是 name 和 attrs：
1. from bs4 import BeautifulSoup 2. file = open('./aa.html', 'rb') 3. html = file.read() 4. bs = BeautifulSoup(html,"html.parser") 5. 6. # [document] #bs 对象本身比较特殊，它的 name 即为 [document] 7. print(bs.name) 8. 9. # head #对于其他内部标签，输出的值便为标签本身的名称 10. print(bs.head.name) 11. 12. # 在这里，我们把 a 标签的所有属性打印输出了出来，得到的类型是一个字典。 13. print(bs.a.attrs) 14. 15. #还可以利用get方法，传入属性的名称，二者是等价的 16. print(bs.a['class']) # 等价 bs.a.get('class') 17. 18. # 可以对这些属性和内容等等进行修改 19. bs.a['class'] = "newClass" 20. print(bs.a) 21. 22. # 还可以对这个属性进行删除 23. del bs.a['class'] 24. print(bs.a)
4.2、NavigableString
既然我们已经得到了标签的内容，那么问题来了，我们要想获取标签内部的文字怎么办呢？很简单，用 .string 即可，例如：
1. from bs4 import BeautifulSoup 2. file = open('./aa.html', 'rb') 3. html = file.read() 4. 5. bs = BeautifulSoup(html,"html.parser") 6. 7. print(bs.title.string) 8. print(type(bs.title.string))
4.3、BeautifulSoup
BeautifulSoup对象表示的是一个文档的内容。大部分时候，可以把它当作 Tag 对象，是一个特殊的 Tag，我们可以分别获取它的类型，名称，以及属性，例如：
1. from bs4 import BeautifulSoup 2. file = open('./aa.html', 'rb') 3. html = file.read() 4. 5. bs = BeautifulSoup(html,"html.parser") 6. 7. print(type(bs.name)) 8. print(bs.name) 9. print(bs.attrs)
4.4、Comment
Comment 对象是一个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号。
1. from bs4 import BeautifulSoup 2. file = open('./aa.html', 'rb') 3. html = file.read() 4. 5. bs = BeautifulSoup(html,"html.parser") 6. print(bs.a) 7. # 此时不能出现空格和换行符，a标签如下： 8. # <a class="mnav" href="http://news.baidu.com" name="tj_trnews"><!--新闻--></a> 9. 10. print(bs.a.string) # 新闻 11. 12. print(type(bs.a.string)) # <class 'bs4.element.Comment'>
五、遍历文档树
5.1、.contents：
获取Tag的所有子节点，返回一个list
1. # tag的.content 属性可以将tag的子节点以列表的方式输出 2. print(bs.head.contents) 3. 4. # 用列表索引来获取它的某一个元素 5. print(bs.head.contents[1])
5.2、.children：
获取Tag的所有子节点，返回一个生成器
1. for child in bs.body.children: 2. print(child)
5.3、.descendants：获取Tag的所有子孙节点
5.4、.strings：如果Tag包含多个字符串，即在子孙节点中有内容，可以用此获取，而后进行遍历
5.5、.stripped_strings：与strings用法一致，只不过可以去除掉那些多余的空白内容
5.6、.parent：获取Tag的父节点
5.7、.parents：递归得到父辈元素的所有节点，返回一个生成器
5.8、.previous_sibling：获取当前Tag的上一个节点，属性通常是字符串或空白，真实结果是当前标签与上一个标签之间的顿号和换行符
5.9、.next_sibling：获取当前Tag的下一个节点，属性通常是字符串或空白，真是结果是当前标签与下一个标签之间的顿号与换行符
5.10、.previous_siblings：获取当前Tag的上面所有的兄弟节点，返回一个生成器
5.11、.next_siblings：获取当前Tag的下面所有的兄弟节点，返回一个生成器
5.12、.previous_element：获取解析过程中上一个被解析的对象(字符串或tag)，可能与previous_sibling相同，但通常是不一样的
5.13、.next_element：获取解析过程中下一个被解析的对象(字符串或tag)，可能与next_sibling相同，但通常是不一样的
5.14、.previous_elements：返回一个生成器，可以向前访问文档的解析内容
5.15、.next_elements：返回一个生成器，可以向后访问文档的解析内容
5.16、.has_attr：判断Tag是否包含属性
六、搜索文档树
6.1、find_all(name, attrs, recursive, text, **kwargs)
在上面的栗子中我们简单介绍了find_all的使用，接下来介绍一下find_all的更多用法-过滤器。这些过滤器贯穿整个搜索API，过滤器可以被用在tag的name中，节点的属性等。
（1）name参数：
字符串过滤：会查找与字符串完全匹配的内容
1. a_list = bs.find_all("a") 2. print(a_list)
正则表达式过滤：如果传入的是正则表达式，那么BeautifulSoup4会通过search()来匹配内容
1. from bs4 import BeautifulSoup 2. import re 3. file = open('./aa.html', 'rb') 4. html = file.read() 5. 6. bs = BeautifulSoup(html,"html.parser") 7. 8. t_list = bs.find_all(re.compile("a")) 9. for item in t_list: 10. print(item)
列表：如果传入一个列表，BeautifulSoup4将会与列表中的任一元素匹配到的节点返回
1. t_list = bs.find_all(["meta","link"]) 2. for item in t_list: 3. print(item)
方法：传入一个方法，根据方法来匹配
1. from bs4 import BeautifulSoup 2. file = open('./aa.html', 'rb') 3. html = file.read() 4. 5. bs = BeautifulSoup(html,"html.parser") 6. 7. def name_is_exists(tag): 8. return tag.has_attr("name") 9. 10. t_list = bs.find_all(name_is_exists) 11. for item in t_list: 12. print(item)
（2）kwargs参数：
1. from bs4 import BeautifulSoup 2. import re 3. file = open('./aa.html', 'rb') 4. html = file.read() 5. 6. bs = BeautifulSoup(html,"html.parser") 7. 8. # 查询id=head的Tag 9. t_list = bs.find_all(id="head") print(t_list) 10. 11. # 查询href属性包含ss1.bdstatic.com的Tag 12. t_list = bs.find_all(href=re.compile("http://news.baidu.com")) 13. print(t_list) 14. 15. # 查询所有包含class的Tag(注意：class在Python中属于关键字，所以加_以示区别) 16. t_list = bs.find_all(class_=True) 17. for item in t_list: 18. print(item)
（3）attrs参数：
并不是所有的属性都可以使用上面这种方式进行搜索，比如HTML的data-*属性:
t_list = bs.find_all(data-foo="value")
如果执行这段代码，将会报错。我们可以使用attrs参数，定义一个字典来搜索包含特殊属性的tag：
1. t_list = bs.find_all(attrs={"data-foo":"value"})
2. for item in t_list:
3. print(item)
（4）text参数：
通过text参数可以搜索文档中的字符串内容，与name参数的可选值一样，text参数接受 字符串，正则表达式，列表
1. from bs4 import BeautifulSoup 2. import re 3. file = open('./aa.html', 'rb') 4. html = file.read() 5. 6. bs = BeautifulSoup(html, "html.parser") 7. 8. t_list = bs.find_all(attrs={"data-foo": "value"}) 9. for item in t_list: 10. print(item) 11. 12. t_list = bs.find_all(text="hao123") 13. for item in t_list: 14. print(item) 15. 16. t_list = bs.find_all(text=["hao123", "地图", "贴吧"]) 17. for item in t_list: 18. print(item) 19. 20. t_list = bs.find_all(text=re.compile("\d")) 21. for item in t_list: 22. print(item)
当我们搜索text中的一些特殊属性时，同样也可以传入一个方法来达到我们的目的：
1. def length_is_two(text): 2. return text and len(text) == 2 3. 4. t_list = bs.find_all(text=length_is_two) 5. for item in t_list: 6. print(item)
（5）limit参数：
可以传入一个limit参数来限制返回的数量，当搜索出的数据量为5，而设置了limit=2时，此时只会返回前2个数据
1. from bs4 import BeautifulSoup 2. import re 3. file = open('./aa.html', 'rb') 4. html = file.read() 5. 6. bs = BeautifulSoup(html, "html.parser") 7. 8. t_list = bs.find_all("a",limit=2) 9. for item in t_list: 10. print(item)
find_all除了上面一些常规的写法，还可以对其进行一些简写：
1. # 两者是相等的 2. # t_list = bs.find_all("a") => t_list = bs("a") 3. t_list = bs("a") # 两者是相等的 4. # t_list = bs.a.find_all(text="新闻") => t_list = bs.a(text="新闻") 5. t_list = bs.a(text="新闻")
6.2、find()
find()将返回符合条件的第一个Tag，有时我们只需要或一个Tag时，我们就可以用到find()方法了。当然了，也可以使用find_all()方法，传入一个limit=1，然后再取出第一个值也是可以的，不过未免繁琐。
1. from bs4 import BeautifulSoup 2. import re 3. file = open('./aa.html', 'rb') 4. html = file.read() 5. 6. bs = BeautifulSoup(html, "html.parser") 7. 8. # 返回只有一个结果的列表 9. t_list = bs.find_all("title",limit=1) 10. print(t_list) 11. 12. # 返回唯一值 13. t = bs.find("title") 14. print(t) 15. 16. # 如果没有找到，则返回None 17. t = bs.find("abc") print(t)
从结果可以看出find_all，尽管传入了limit=1，但是返回值仍然为一个列表，当我们只需要取一个值时，远不如find方法方便。但
是如果未搜索到值时，将返回一个None
在上面介绍BeautifulSoup4的时候，我们知道可以通过bs.div来获取第一个div标签，如果我们需要获取第一个div下的第一个div，
我们可以这样：
1. t = bs.div.div 2. 3. # 等价于 4. t = bs.find("div").find("div")
七、CSS选择器
BeautifulSoup支持发部分的CSS选择器，在Tag获取BeautifulSoup对象的.select()方法中传入字符串参数，即可使用CSS选择器的语法找到Tag:
7.1、通过标签名查找
1. print(bs.select('title')) 2. 3. print(bs.select('a'))
7.2、通过类名查找
1. print(bs.select('.mnav'))
7.3、通过id查找
1. print(bs.select('#u1'))
7.4、组合查找
1. print(bs.select('div .bri'))
7.5、属性查找
1. print(bs.select('a[class="bri"]')) 2. print(bs.select('a[href="http://tieba.baidu.com"]'))
7.6、直接子标签查找
1. t_list = bs.select("head > title") 2. print(t_list)
7.7、兄弟节点标签查找
1. t_list = bs.select(".mnav ~ .bri") 2. print(t_list)
7.8、获取内容
1. t_list = bs.select("title") 2. print(bs.select('title')[0].get_text())
