【python】--BeautifulSoup

首页 > 代码库 > 【python】--BeautifulSoup

2024-09-04 08:05:17 218人阅读

背景

简单来说，Beautiful Soup是python的一个库，最主要的功能是从网页抓取数据。官方解释如下：    Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。    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。废话不多说，我们来试一下吧~

下载安装

　　官网地址：http://www.crummy.com/software/BeautifulSoup/bs4/download/

　　使用pycharm的话，可以在setting中安装

　　命令安装: pip3 install beautifulsoup4

　　　　　　　　sudo python setup.py install

使用　

from bs4 import BeautifulSoup

开始测试

　　我们创建一个字符串，后面的例子我们便会用它来演示

html = """<html><head><title>The Dormouse‘s story</title></head><body><p class="title" name="dromouse"><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>"""

　　创建 beautifulsoup 对象　　

soup = BeautifulSoup(html)

soup = BeautifulSoup(open("index.html"))  #index.html,本地文件

　　打印soup对象的内容,格式化输出

　　　　print(soup.prettify())

四大对象种类

　　　　Beautiful Soup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:

　　　　HTML中的一个个标签，例如：

　　　　　　<title>The Dormouse‘s story</title>

　我们可以利用 soup加标签名轻松地获取这些标签的内容:　　　　　　　

print(soup.title)#<title>The Dormouse‘s story</title>print(soup.head)#<head><title>The Dormouse‘s story</title></head>print(soup.a)#<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>print(soup.p)#<p class="title" name="dromouse"><b>The Dormouse‘s story</b></p>

Tag的两个属性

name

print soup.nameprint soup.head.name#[document]#head

　　soup 对象本身比较特殊，它的 name 即为 [document]，对于其他内部标签，输出的值便为标签本身的名称。

attrs

print(soup.p.attrs)#{‘class‘: [‘title‘], ‘name‘: ‘dromouse‘}

在这里，我们把 p 标签的所有属性打印输出了出来，得到的类型是一个字典。

如果我们想要单独获取某个属性，可以这样，例如我们获取它的 class 叫什么

print(soup.p[“class"])#[‘title‘]

还可以这样，利用get方法，传入属性的名称，二者是等价的

print(soup.p.get("class"))#[‘title‘]

我们可以对这些属性和内容等等进行修改，例如

soup.p["class"]="newClass"print(soup.p)#<p class="newClass" name="dromouse"><b>The Dormouse‘s story</b></p>

还可以对这个属性进行删除，例如

del soup.p["class"]print(soup.p)#<p name="dromouse"><b>The Dormouse‘s story</b></p>

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

print(soup.p.string)#The Dormouse‘s story

　　这样我们就轻松获取到了标签里面的内容，它的类型是一个 NavigableString，翻译过来叫可以遍历的字符串.

print(type(soup.p.string))#<class ‘bs4.element.NavigableString‘>

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，我们可以分别获取它的类型，名称，以及属性来感受一下

print type(soup.name)#<type ‘unicode‘>print soup.name # [document]print soup.attrs #{} 空字典

Comment

　　Comment 对象是一个特殊类型的 NavigableString 对象，其实输出的内容仍然不包括注释符号，但是如果不好好处理它，可能会对我们的文本处理造成意想不到的麻烦

　　我们找一个带注释的标签

print(soup.a)print(soup.a.string)print(type(soup.a.string))

结果：
<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
 Elsie 
<class ‘bs4.element.Comment‘>

　　a 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。

　　另外我们打印输出下它的类型，发现它是一个 Comment 类型，所以，我们在使用前最好做一下判断，判断代码如下

if type(soup.a.string)==bs4.element.Comment:    print soup.a.string

　　上面的代码中，我们首先判断了它的类型，是否为 Comment 类型，然后再进行其他操作，如打印输出。

遍历文档树

直接子节点

　　　　属性：.contents .children

　　.contents

　　　　tag 的 .content 属性可以将tag的子节点以列表的方式输出

print(soup.head.contents)#[<title>The Dormouse‘s story</title>]

　　输出方式为列表，我们可以用列表索引来获取它的某一个元素

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

　　.children

　　它返回的不是一个 list，不过我们可以通过遍历获取所有子节点。

　　我们打印输出 .children 看一下，可以发现它是一个 list 生成器对象

print(soup.head.children)#<listiterator object at 0x7f71457f5710>

　　我们怎样获得里面的内容呢？很简单，遍历一下就好了，代码及结果如下

for child in soup.body.children:    print(child)

<p class="title" name="dromouse"><b>The Dormouse‘s story</b></p><p class="story">Once upon a time there were three little sisters; and their names were<a class="sister" href=http://www.mamicode.com/"http://example.com/elsie" id="link1"><!-- Elsie --></a>,<a class="sister" href=http://www.mamicode.com/"http://example.com/lacie" id="link2">Lacie</a> and<a class="sister" href=http://www.mamicode.com/"http://example.com/tillie" id="link3">Tillie</a>;and they lived at the bottom of a well.</p><p class="story">...</p>

所有子孙节点

　　.descendants 属性

　　　　.contents 和 .children 属性仅包含tag的直接子节点，.descendants 属性可以对所有tag的子孙节点进行递归循环，和 children类似，我们也需要遍历获取其中的内容。

for child in soup.descendants:    print(child)

结果：
所有的节点都被打印出来了，先是最外层的 HTML标签，其次从 head 标签一个个剥离，以此类推。
<html><head><title>The Dormouse‘s story</title></head>
<body>
<p class="title" name="dromouse"><b>The Dormouse‘s story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>,
<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
</body></html>
<head><title>The Dormouse‘s story</title></head>
<title>The Dormouse‘s story</title>
The Dormouse‘s story


<body>
<p class="title" name="dromouse"><b>The Dormouse‘s story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>,
<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
</body>


<p class="title" name="dromouse"><b>The Dormouse‘s story</b></p>
<b>The Dormouse‘s story</b>
The Dormouse‘s story


<p class="story">Once upon a time there were three little sisters; and their names were
<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>,
<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
Once upon a time there were three little sisters; and their names were

<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
 Elsie 
,

<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>
Lacie
 and

<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
Tillie
;
and they lived at the bottom of a well.


<p class="story">...</p>
...

节点内容

　　.string 属性

　　如果tag只有一个 NavigableString 类型子节点,那么这个tag可以使用 .string 得到子节点。如果一个tag仅有一个子节点,那么这个tag也可以使用 .string 方法,输出结果与当前唯一子节点的 .string 结果相同。

　　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。例如

print soup.head.string#The Dormouse‘s storyprint soup.title.string#The Dormouse‘s story

　　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, .string 的输出结果是 None

多个内容　　.string 　　

　　　　获取多个内容，不过需要遍历获取，比如下面的例子

for string in soup.strings:    print(repr(string))    # u"The Dormouse‘s story"    # u‘\n\n‘    # u"The Dormouse‘s story"    # u‘\n\n‘    # u‘Once upon a time there were three little sisters; and their names were\n‘    # u‘Elsie‘    # u‘,\n‘    # u‘Lacie‘    # u‘ and\n‘    # u‘Tillie‘    # u‘;\nand they lived at the bottom of a well.‘    # u‘\n\n‘    # u‘...‘    # u‘\n‘

　　.stripped_strings

　　　　输出的字符串中可能包含了很多空格或空行,使用 .stripped_strings 可以去除多余空白内容

for string in soup.stripped_strings:    print(repr(string))    # u"The Dormouse‘s story"    # u"The Dormouse‘s story"    # u‘Once upon a time there were three little sisters; and their names were‘    # u‘Elsie‘    # u‘,‘    # u‘Lacie‘    # u‘and‘    # u‘Tillie‘    # u‘;\nand they lived at the bottom of a well.‘    # u‘...‘

父节点

　　.parent属性

p = soup.pprint p.parent.name#body

content = soup.head.title.stringprint content.parent.name#title

全部父节点

　　.parents属性

　　通过元素的 .parents 属性可以递归得到元素的所有父辈节点，例如

content = soup.head.title.stringfor parent in  content.parents:    print parent.name

结果
title
head
html
[document]

兄弟节点

　　.next_sibling .previous_sibling 属性

　　兄弟节点可以理解为和本节点处在统一级的节点，.next_sibling 属性获取了该节点的下一个兄弟节点，.previous_sibling 则与之相反，如果节点不存在，则返回 None

print soup.p.next_sibling#       实际该处为空白print soup.p.prev_sibling#None   没有前一个兄弟节点，返回 Noneprint soup.p.next_sibling.next_sibling#<p class="story">Once upon a time there were three little sisters; and their names were#<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>,#<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and#<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;#and they lived at the bottom of a well.</p>#下一个节点的下一个兄弟节点是我们可以看到的节点

注意：实际文档中的tag的 .next_sibling 和 .previous_sibling 属性通常是字符串或空白，因为空白或者换行也可以被视作一个节点，所以得到的结果可能是空白或者换行

全部兄弟节点

　　.next_siblings .previous_siblings 属性

通过 .next_siblings 和 .previous_siblings 属性可以对当前节点的兄弟节点迭代输出

for sibling in soup.a.next_siblings:    print(repr(sibling))    # u‘,\n‘    # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>    # u‘ and\n‘    # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>    # u‘; and they lived at the bottom of a well.‘    # None

前后节点

　　.next_element .previous_element 属性

与 .next_sibling .previous_sibling 不同，它并不是针对于兄弟节点，而是在所有节点，不分层次

比如 head 节点为

<head><title>The Dormouse‘s story</title></head>

那么它的下一个节点便是 title，它是不分层次关系的

所有前后节点

　　.next_elements .previous_elements 属性

通过 .next_elements 和 .previous_elements 的迭代器就可以向前或向后访问文档的解析内容,就好像文档正在被解析一样

for element in last_a_tag.next_elements:    print(repr(element))# u‘Tillie‘# u‘;\nand they lived at the bottom of a well.‘# u‘\n\n‘# <p class="story">...</p># u‘...‘# u‘\n‘# None

搜索文档树

　　1find_all( name , attrs , recursive , text , **kwargs )

　　find_all() 方法搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件

　　name 参数

　　　　name 参数可以查找所有名字为 name 的tag,字符串对象会被自动忽略掉

　　传字符串

　　　　最简单的过滤器是字符串.在搜索方法中传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容,下面的例子用于查找文档中所有的<b>标签

soup.find_all(‘b‘)# [<b>The Dormouse‘s story</b>]

print soup.find_all(‘a‘)
#[<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>]

　　传正则表达式

　　　　如果传入正则表达式作为参数,Beautiful Soup会通过正则表达式的 match() 来匹配内容.下面例子中找出所有以b开头的标签,这表示<body>和<b>标签都应该被找到

import refor tag in soup.find_all(re.compile("^b")):    print(tag.name)# body# b

　　传列表

　　　　如果传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回.下面代码找到文档中所有<a>标签和<b>标签

soup.find_all(["a", "b"])# [<b>The Dormouse‘s story</b>,#  <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>]

　　传 True

　　　　True 可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点

for tag in soup.find_all(True):    print(tag.name)# html# head# title# body# p# b# p# a# a

　　传方法

　　如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数 [4] ,如果这个方法返回 True 表示当前元素匹配并且被找到,如果不是则反回 False

　　下面方法校验了当前元素,如果包含 class 属性却不包含 id 属性,那么将返回 True:

def has_class_but_no_id(tag):    return tag.has_attr(‘class‘) and not tag.has_attr(‘id‘)

　　将这个方法作为参数传入 find_all() 方法,将得到所有<p>标签:

soup.find_all(has_class_but_no_id)# [<p class="title"><b>The Dormouse‘s story</b></p>,#  <p class="story">Once upon a time there were...</p>,#  <p class="story">...</p>]

　　keyword 参数

　　　　注意：如果一个指定名字的参数不是搜索内置的参数名,搜索时会把该参数当作指定名字tag的属性来搜索,如果包含一个名字为 id 的参数,Beautiful Soup会搜索每个tag的”id”属性

soup.find_all(id=‘link2‘)# [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

　　如果传入 href 参数,Beautiful Soup会搜索每个tag的”href”属性

soup.find_all(href=http://www.mamicode.com/re.compile("elsie"))# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]

　　使用多个指定名字的参数可以同时过滤tag的多个属性

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

　　在这里我们想用 class 过滤，不过 class 是 python 的关键词，这怎么办？加个下划线就可以

soup.find_all("a", class_="sister")# [<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>]

　　有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性

data_soup = BeautifulSoup(‘<div data-foo="value">foo!</div>‘)data_soup.find_all(data-foo="value")# SyntaxError: keyword can‘t be an expression

　　但是可以通过 find_all() 方法的 attrs 参数定义一个字典参数来搜索包含特殊属性的tag

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

　　text 参数

　　通过 text 参数可以搜搜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, True

soup.find_all(text="Elsie")# [u‘Elsie‘]soup.find_all(text=["Tillie", "Elsie", "Lacie"])# [u‘Elsie‘, u‘Lacie‘, u‘Tillie‘]soup.find_all(text=re.compile("Dormouse"))[u"The Dormouse‘s story", u"The Dormouse‘s story"]

　　limit 参数

　　find_all() 方法返回全部的搜索结构,如果文档树很大那么搜索会很慢.如果我们不需要全部结果,可以使用 limit 参数限制返回结果的数量.效果与SQL中的limit关键字类似,当搜索到的结果数量达到 limit 的限制时,就停止搜索返回结果.

　　文档树中有3个tag符合搜索条件,但结果只返回了2个,因为我们限制了返回数量

soup.find_all("a", limit=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>]

　　recursive 参数

　　调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False .

　　一段简单的文档:

<html> <head>  <title>   The Dormouse‘s story  </title> </head>...

　　是否使用 recursive 参数的搜索结果:

soup.html.find_all("title")# [<title>The Dormouse‘s story</title>]soup.html.find_all("title", recursive=False)# []

　　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

　　find_parents() 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

　　find_next_siblings() 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　　

　　find_previous_siblings() 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

　　find_all_next() 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

　　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

CSS选择器

　　我们在写 CSS 时，标签名不加任何修饰，类名前加点，id名前加 #，在这里我们也可以利用类似的方法来筛选元素，用到的方法是 soup.select()，返回类型是 list　　

　　通过标签名查找

print soup.select(‘title‘) #[<title>The Dormouse‘s story</title>]

print soup.select(‘a‘)#[<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>]

print soup.select(‘b‘)#[<b>The Dormouse‘s story</b>]

　　通过类名查找

print soup.select(‘.sister‘)#[<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>]

　　通过 id 名查找

print soup.select(‘#link1‘)#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

　　组合查找

　　组合查找即和写 class 文件时，标签名与类名、id名进行的组合原理是一样的，例如查找 p 标签中，id 等于 link1的内容，二者需要用空格分开

print soup.select(‘p #link1‘)#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

　　直接子标签查找

print soup.select("head > title")#[<title>The Dormouse‘s story</title>]

　　属性查找

　　查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到。

print soup.select(‘a[class="sister"]‘)#[<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>]

print soup.select(‘a[href="http://example.com/elsie"]‘)#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

　　同样，属性仍然可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格

print soup.select(‘p a[href="http://example.com/elsie"]‘)#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

　　以上的 select 方法返回的结果都是列表形式，可以遍历形式输出，然后用 get_text() 方法来获取它的内容。

soup = BeautifulSoup(html, ‘lxml‘)print type(soup.select(‘title‘))print soup.select(‘title‘)[0].get_text()for title in soup.select(‘title‘):    print title.get_text()

【python】--BeautifulSoup

声明：以上内容来自用户投稿及互联网公开渠道收集整理发布，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任，若内容有误或涉及侵权可进行投诉：投诉/举报工作人员会在5个工作日内联系你，一经查实，本站将立刻删除涉嫌侵权内容。

联系
我们

首页 > 代码库 > 【python】--BeautifulSoup