Python中BeautifuSoup库的用法使用详解

2023-08-08 18:49:04 73

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!

') data_soup.find_all(data-foo="value") #SyntaxError:keywordcan'tbeanexpression
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。

Python中BeautifuSoup库的用法使用详解

热门推荐

随机推荐