Python中BeautifuSoup库的用法使用详解
BeautifulSoup简介
BeautifulSoup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:
BeautifulSoup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。
BeautifulSoup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,BeautifulSoup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。
BeautifulSoup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。
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。
1. 创建BeautifulSoup对象
首先导入库 bs4 lxml requests
#encoding:UTF-8 frombs4importBeautifulSoup importlxml importrequests
使用官方字符串来演示:
html="""TheDormouse'sstory TheDormouse'sstory Onceuponatimetherewerethreelittlesisters;andtheirnameswere , Lacieand Tillie; andtheylivedatthebottomofawell. ... """
创建beautifulsoup对象:
soup=BeautifulSoup(html,'lxml')#创建beautifulsoup对象
还可以用本地HTML文件来创建对象:
soup1=BeautifulSoup(open('index.html'))#用本地HTML文件来创建对象
打印一下soup对象的内容,格式化输出:
printsoup.prettify()#打印soup对象的内容,格式化输出
输出结果,格式化打印出了它的内容,这个函数经常用到。
2. 四种对象
BeautifulSoup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
(1)Tag
Tag就是HTML中的一个个标签,例如:
TheDormouse'sstory
用BeautifulSoup可以很方便地获取Tags:
printsoup.title printsoup.head printsoup.a printsoup.p printtype(soup.a)
这种方式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,name和attrs:
printsoup.name printsoup.a.name printsoup.attrs printsoup.p.attrs#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。 printsoup.p['class']#单独获取某个属性 printsoup.p.get('class')##单独获取某个属性跟上面一样的
可以对这些属性和内容等等进行修改:
soup.p['class']="newClass"
也可以对这个属性进行删除:
delsoup.p['class']
(2)NavigableString
得到了标签的内容用.string即可获取标签内部的文字,例如:
printsoup.p.string
来检查一下它的类型:
printtype(soup.p.string) #
可以看到它的类型是一个 NavigableString,翻译过来叫可以遍历的字符串。
(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,我们可以分别获取它的类型,名称:
printtype(soup.name) #printsoup.name #[document] printsoup.attrs #{}空字典
(4)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。我们找一个带注释的标签:
printsoup.a printsoup.a.string printtype(soup.a.string)
运行结果如下:
Elsie
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。
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:
iftype(soup.a.string)==bs4.element.Comment: printsoup.a.string
上面的代码中,我们判断了它的类型,是否为Comment类型。
3. 遍历文档树
(1)直接子节点
tag的.content 属性可以将tag的子节点以列表的方式输出:
printsoup.head.contents #运行结果: #[TheDormouse'sstory ] #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: printsoup.head.contents[0]
.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:
printsoup.head.children #运行结果: ##遍历一下获得里面的内容: foriteminsoup.body.children: printitem
(2)所有子孙节点
.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,要获取其中的内容,我们需要对其进行遍历:
foriteminsoup.descendants: printitem #查看运行结果,可以发现,所有的节点都被打印出来了: #TheDormouse'sstory # #TheDormouse'sstory # Onceuponatimetherewerethreelittlesisters;andtheirnameswere # ,
(3)节点内容
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:
printsoup.head.string #运行结果: #TheDormouse'sstory #第二种情况: printsoup.title.string #运行结果: #TheDormouse'sstory
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:
printsoup.html.string #运行结果: #None
(4)多个内容
.strings获取多个内容,不过需要遍历获取,比如下面的例子:
forstringinsoup.strings: print(repr(string))
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:
forstringinsoup.stripped_strings: print(repr(string))
(5)父节点
p=soup.p printp.parent.name #运行结果: #body content=soup.head.title.string printcontent.parent.name #运行结果: #title
(6)全部父节点
通过元素的 .parents 属性可以递归得到元素的所有父辈节点:
content=soup.head.title.string forparentincontent.parents: printparent.name
(7)兄弟节点
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属性获取了该节点的上一个兄弟节点,如果节点不存在,则返回None
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。
printsoup.p.next_sibling #实际该处为空白 printsoup.p.prev_sibling #None没有前一个兄弟节点,返回None printsoup.p.next_sibling.next_sibling
(8)全部兄弟节点
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:
forsiblinginsoup.a.next_siblings: print(repr(sibling))
(9)前后节点
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:TheDormouse'sstory #那么它的下一个节点便是title,它是不分层次关系的。 printsoup.head.next_element #TheDormouse'sstory
(10)所有前后节点
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:
forelementinlast_a_tag.next_elements: print(repr(element))
4. 搜索文档树
(1)find_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
A.传字符串
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
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,BeautifulSoup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标签:
soup.find_all('b') #[TheDormouse'sstory]
B.传正则表达式
如果传入正则表达式作为参数,BeautifulSoup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
和标签都应该被找到importre fortaginsoup.find_all(re.compile("^b")): print(tag.name) #body #b
C.传列表
如果传入列表参数,BeautifulSoup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标签和标签:
soup.find_all(["a","b"]) #[TheDormouse'sstory, #Elsie, # Lacie, # Tillie]
D.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:
fortaginsoup.find_all(True): print(tag.name) #html #head #title #body #p #b #p #a #a
E.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 ,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:
defhas_class_but_no_id(tag): returntag.has_attr('class')andnottag.has_attr('id')
将这个方法作为参数传入 find_all() 方法,将得到所有
标签:
soup.find_all(has_class_but_no_id) #[TheDormouse'sstory, # Onceuponatimetherewere..., # ...]
2)keyword参数
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,BeautifulSoup会搜索每个tag的”id”属性:
soup.find_all(id='link2') #[Lacie]
如果传入 href 参数,BeautifulSoup会搜索每个tag的”href”属性:
soup.find_all(href=re.compile("elsie")) #[Elsie]
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=re.compile("elsie"),id='link1') #[three]
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") #[Elsie, # Lacie, # Tillie]
有些tag属性在搜索不能使用,比如HTML5中的data-*属性:
data_soup=BeautifulSoup('foo!
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"}) #[foo!
3)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"TheDormouse'sstory",u"TheDormouse'sstory"]
4)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) #[Elsie, # Lacie]
5)recursive参数
调用tag的 find_all() 方法时,BeautifulSoup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:
soup.html.find_all("title") #[TheDormouse'sstory ] soup.html.find_all("title",recursive=False)
(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
(3)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
(4)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
(5)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
(6)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
(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
注:以上(2)(3)(4)(5)(6)(7)方法参数用法与find_all()完全相同,原理均类似。
5. 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
(1)通过标签名查找
printsoup.select('title') #[TheDormouse'sstory ] printsoup.select('a') #[, Lacie, Tillie]
(2)通过类名查找
printsoup.select('.sister') #[, Lacie, Tillie]
(3)通过id名查找
printsoup.select('#link1') #[]
(4)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:
printsoup.select('p#link1') #[]
直接子标签查找:
printsoup.select("head>title") #[TheDormouse'sstory ]
(5)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:
printsoup.select('a[class="sister"]') #[, Lacie, Tillie] printsoup.select('a[href="http://example.com/elsie"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"]') #[ ] #属性也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: printsoup.select('pa[href="http://example.com/elsie"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"rel="externalnofollow"]') #[ ] #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') printtype(soup.select('title')) printsoup.select('title')[0].get_text() fortitleinsoup.select('title'): printtitle.get_text()
find_all和select的区别
find_all()对于属性的值不是精确匹配的,是模糊匹配。同样的,find()也是模糊匹配
select()方法使用css定位元素,根据td标签和class属性值精确定位,但是会查询出来所有符合条件的元素,返回一个列表
更详细的内容查看官方文档:http://beautifulsoup.readthedocs.io/zh_CN/latest/
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持毛票票。
声明:本文内容来源于网络,版权归原作者所有,内容由互联网用户自发贡献自行上传,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。如果您发现有涉嫌版权的内容,欢迎发送邮件至:czq8825#qq.com(发邮件时,请将#更换为@)进行举报,并提供相关证据,一经查实,本站将立刻删除涉嫌侵权内容。