一 介绍
Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间.你可能在寻找 Beautiful Soup3 的文档,Beautiful Soup 3 目前已经停止开发,官网推荐在现在的项目中使用Beautiful Soup 4, 移植到BS4
#安装 Beautiful Soup pip install beautifulsoup4 #安装解析器 Beautiful Soup支持Python标准库中的HTML解析器,还支持一些第三方的解析器,其中一个是 lxml .根据操作系统不同,可以选择下列方法来安装lxml: $ apt-get install Python-lxml $ easy_install lxml $ pip install lxml 另一个可供选择的解析器是纯Python实现的 html5lib , html5lib的解析方式与浏览器相同,可以选择下列方法来安装html5lib: $ apt-get install Python-html5lib $ easy_install html5lib $ pip install html5lib
下表列出了主要的解析器,以及它们的优缺点,官网推荐使用lxml作为解析器,因为效率更高. 在Python2.7.3之前的版本和Python3中3.2.2之前的版本,必须安装lxml或html5lib, 因为那些Python版本的标准库中内置的HTML解析方法不够稳定.
| 解析器 | 使用方法 | 优势 | 劣势 |
|---|---|---|---|
| Python标准库 | BeautifulSoup(markup, "html.parser") |
|
|
| lxml HTML 解析器 | BeautifulSoup(markup, "lxml") |
|
|
| lxml XML 解析器 |
BeautifulSoup(markup, ["lxml", "xml"]) BeautifulSoup(markup, "xml") |
|
|
| html5lib | BeautifulSoup(markup, "html5lib") |
|
|
二：基本使用
html_doc = """ <html><head><title>The Dormouse‘s story</title></head> <body> <p class="title"><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> """ #基本使用：容错处理,文档的容错能力指的是在html代码不完整的情况下,使用该模块可以识别该错误。使用BeautifulSoup解析上述代码,能够得到一个 BeautifulSoup 的对象,并能按照标准的缩进格式的结构输出 from bs4 import BeautifulSoup soup=BeautifulSoup(html_doc,‘lxml‘) #具有容错功能 res=soup.prettify() #处理好缩进，结构化显示 print(res)
三：遍历文档树
遍历文档树：
1. 获取标签名 name
2. 获取标签属性 attrs
3. 获取标签内容 text,string,strings
4. 嵌套选择 soup.head.title.string
5. 子节点，子孙节点
soup.p.contents # p下所有子节点
soup.p.children # 返回一个迭代器，包含p下所有子节点
soup.p.enumerate
soup.p.descendants # 获取子节点，p下所有标签会被选择出来
6. 父节点，祖先节点
soup.a.parent # 获取a标签的父节点
parents # 找到a标签所有的祖先节点，父亲的父亲，父亲的父亲的父亲...
7. 兄弟节点
soup.a.next_sibling # 下一个兄弟
soup.a.previous_silbing # 上一个兄弟
soup.a.next_sibling # 下面的兄弟们 -->生成器对象
soup.a.previous_silbing # 上面的兄弟们 -->生成器对象
#遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个 #1、用法 #2、获取标签的名称 #3、获取标签的属性 #4、获取标签的内容 #5、嵌套选择 #6、子节点、子孙节点 #7、父节点、祖先节点 #8、兄弟节点 from bs4 import BeautifulSoup html_doc = """ <html><head><title>The Dormouse‘s story</title></head> <body> <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="title"><b>The Dormouse‘s story</b></p> <p class="story">...</p> """ # 这里使用‘lxml‘解析器是因为它容错能力强，同时官方也推荐使用lxml解析器。 # 容错能力是指在html代码不完整的情况下，使用该模块可以识别该错误。 # 使用BeautifulSoup解析上述代码，会得到一个 BeautifulSoup对象，并且可以按照标准的缩进格式结构化输出。 soup = BeautifulSoup(html_doc,‘lxml‘) res = soup.prettify() # 自动补齐所有的未闭合标签。 自己会处理好缩进。 # print(res) # 遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个 # 整个文档中，找到你想要的一个标签。 # print(soup.a) # .的话，是按标签名查找。 只找第一个 # print(soup.a.text) # 文本 # print(soup.a.attrs) # 所有属性，是字典格式 # print(soup.p.b) # p下面的儿子，孙子，重孙子 一层层找，只找一个 # print(soup.p.contents) # 将所有儿子放在一个列表里 # print(soup.p.children) # 生成器 # print(list(soup.p.children)) # print(list(soup.p.descendants)) # 子子孙孙 也是生成器 # # print(soup.a.parent) # 塔爹 # # print(list(soup.a.parents)) # 找到a标签所有的祖先节点，父亲的父亲，父亲的父亲的父亲... print(soup.a.next_sibling) # 下一个兄弟 print(soup.a.previous_sibling) # 上一个兄弟 print(list(soup.a.next_siblings)) # 下面的兄弟们，返回的是一个生成器对象 print(list(soup.a.previous_siblings)) # 上面的兄弟们，返回的是一个生成器对象 """ 输出结果： <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a> Elsie {‘href‘: ‘http://example.com/elsie‘, ‘class‘: [‘sister‘], ‘id‘: ‘link1‘} None [‘Once upon a time there were three little sisters; and their names were\n‘, <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, ‘,\n‘, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, ‘ and\n‘, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>, ‘;\nand they lived at the bottom of a well.‘] <list_iterator object at 0x1025b15c0> [‘Once upon a time there were three little sisters; and their names were\n‘, <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, ‘,\n‘, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, ‘ and\n‘, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>, ‘;\nand they lived at the bottom of a well.‘] [‘Once upon a time there were three little sisters; and their names were\n‘, <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, ‘Elsie‘, ‘,\n‘, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, ‘Lacie‘, ‘ and\n‘, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>, ‘Tillie‘, ‘;\nand they lived at the bottom of a well.‘] <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 [‘,\n‘, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, ‘ and\n‘, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>, ‘;\nand they lived at the bottom of a well.‘] [‘Once upon a time there were three little sisters; and their names were\n‘] """
1 #遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个 2 #1、用法 3 #2、获取标签的名称 4 #3、获取标签的属性 5 #4、获取标签的内容 6 #5、嵌套选择 7 #6、子节点、子孙节点 8 #7、父节点、祖先节点 9 #8、兄弟节点 10 11 12 #遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个 13 html_doc = """ 14 <html><head><title>The Dormouse‘s story</title></head> 15 <body> 16 <p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse‘s story</b></p> 17 18 <p class="story">Once upon a time there were three little sisters; and their names were 19 <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>, 20 <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and 21 <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; 22 and they lived at the bottom of a well.</p> 23 24 <p class="story">...</p> 25 """ 26 27 #1、用法 28 from bs4 import BeautifulSoup 29 soup=BeautifulSoup(html_doc,‘lxml‘) 30 # soup=BeautifulSoup(open(‘a.html‘),‘lxml‘) 31 32 print(soup.p) #存在多个相同的标签则只返回第一个 33 print(soup.a) #存在多个相同的标签则只返回第一个 34 35 #2、获取标签的名称 36 print(soup.p.name) 37 38 #3、获取标签的属性 39 print(soup.p.attrs) 40 41 #4、获取标签的内容 42 print(soup.p.string) # p下的文本只有一个时，取到，否则为None 43 print(soup.p.strings) #拿到一个生成器对象, 取到p下所有的文本内容 44 print(soup.p.text) #取到p下所有的文本内容 45 for line in soup.stripped_strings: #去掉空白 46 print(line) 47 48 49 ‘‘‘ 50 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，如果只有一个子节点那么就输出该子节点的文本，比如下面的这种结构，soup.p.string 返回为None,但soup.p.strings就可以找到所有文本 51 <p id=‘list-1‘> 52 哈哈哈哈 53 <a class=‘sss‘> 54 <span> 55 <h1>aaaa</h1> 56 </span> 57 </a> 58 <b>bbbbb</b> 59 </p> 60 ‘‘‘ 61 62 #5、嵌套选择 63 print(soup.head.title.string) 64 print(soup.body.a.string) 65 66 67 #6、子节点、子孙节点 68 print(soup.p.contents) #p下所有子节点 69 print(soup.p.children) #得到一个迭代器,包含p下所有子节点 70 71 for i,child in enumerate(soup.p.children): 72 print(i,child) 73 74 print(soup.p.descendants) #获取子孙节点,p下所有的标签都会选择出来 75 for i,child in enumerate(soup.p.descendants): 76 print(i,child) 77 78 #7、父节点、祖先节点 79 print(soup.a.parent) #获取a标签的父节点 80 print(soup.a.parents) #找到a标签所有的祖先节点，父亲的父亲，父亲的父亲的父亲... 81 82 83 #8、兄弟节点 84 print(‘=====>‘) 85 print(soup.a.next_sibling) #下一个兄弟 86 print(soup.a.previous_sibling) #上一个兄弟 87 88 print(list(soup.a.next_siblings)) #下面的兄弟们=>生成器对象 89 print(soup.a.previous_siblings) #上面的兄弟们=>生成器对象
四：搜索文档树
搜索文档树：
beautifulsoup定义了很多搜索方法，这里着重介绍
find() & find_all() ，其他方法的参数和用法类似
五种过滤器：字符串、正则、正则表达式、列表、True、方法
1 # 遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个 2 3 import re 4 from bs4 import BeautifulSoup 5 # html_doc = """ 6 # <html><head><title>The Dormouse‘s story</title></head> 7 # <body> 8 # 9 # <p class="story">Once upon a time there were three little sisters; and their names were 10 # <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>, 11 # <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and 12 # <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; 13 # and they lived at the bottom of a well.</p> 14 # 15 # <p class="title"><b>The Dormouse‘s story</b></p> 16 # <p class="story">...</p> 17 # """ 18 # 19 # 20 # soup = BeautifulSoup(html_doc,‘lxml‘) 21 # res = soup.prettify() 22 23 24 25 # 一：五种过滤器：字符串，正则表达式，列表，True,方法 26 27 # 1：字符串过滤器 # 标签名 28 # print(soup.find()) # 全部 29 # soup.find_all(name=‘a‘) # 找所有的标签, 使用字符串匹配标签名。 特点：完全匹配 30 # soup.find_all(attrs={‘class‘:‘sister‘}) # 找所有的标签, 使用字符串匹配标签名。 特点：完全匹配 31 # print(soup.find_all(name=‘b‘,text="Dormouse")) # 匹配不到，因为text不完整。不能模糊匹配。 32 33 # # 2：正则 34 # soup.find_all(name=re.compile(‘^b‘)) # compile 编译 按标签查找 35 # soup.find_all(attrs={‘id‘:re.compile(‘link‘)}) # compile 编译 36 37 # 3：列表过滤器列表： 任意一个标签都会返回 38 # 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. 39 # 下面代码找到文档中所有<a>标签和<b>标签: 40 # print(soup.find_all([‘a‘,‘b‘])) 41 42 # 4：True：可以匹配任何值，会查找到所有的tag，但是不会返回字符串节点。 43 # print(soup.find_all(True)) 44 # for tag in soup.find_all(True): 45 # print(tag.contents) 46 # print(tag.text) 47 # print(tag) 48 # 5：方法 49 # 用于没有找到合适过滤器，就可以定义一个方法，方法只接受一个元素参数。 50 # 如果该方法，返回一个True，表示当前元素被匹配并被找到，如果不是则返回False。 51 # def has_class_but_no_id(tag): 52 # return tag.has_attr(‘class‘) and not tag.has_attr(‘id‘) 53 # print(soup.find_all(has_class_but_no_id)) 54 """ 55 has_class_but_no_id: 56 [<p class="story">Once upon a time there were three little sisters; and their names were 57 <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, 58 <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and 59 <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>; 60 and they lived at the bottom of a well.</p>, <p class="title"><b>The Dormouse‘s story</b></p>, <p class="story">...</p>] 61 """ 62 63 # recursive = True # 当前标签下的子子孙孙 64 # recursive = False # 当前标签下的儿子 65 66 # 二：find_all(name,attrs,recursive,text,**kwargs) 67 68 # 2.1 name参数是可以使用任何一种类型的过滤器，（字符串，True，正则，列表） 69 # print(soup.find_all(name=re.compile(‘^t‘))) 70 71 # 2.2 keyword：key=value格式, value可以是过滤器（字符串，True，正则，列表）。 72 # print(soup.find_all(id=re.compile(‘my‘))) 73 # print(soup.find_all(href=re.compile(‘lacie‘),id=re.compile(‘\d‘))) #注意类要用class_ 74 # print(soup.find_all(id=True)) #查找有id属性的标签 75 # 2.2.1 注意事项：！！ 76 # 有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性: 77 # data_soup = BeautifulSoup(‘<div data-foo="value">foo!</div>‘,‘lxml‘) 78 # data_soup.find_all(data-foo="value") #报错：SyntaxError: keyword can‘t be an expression 79 # 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: 80 # print(data_soup.find_all(attrs={"data-foo": "value"})) 81 # [<div data-foo="value">foo!</div>] 82 83 # 2.3 按照类名查找，注意关键字是class_，class_=value,value可以是五种选择器之一 84 # print(soup.find_all(‘a‘,class_=‘sister‘)) #查找类为sister的a标签 85 # print(soup.find_all(‘a‘,class_=‘sister ssss‘)) #查找类为sister和sss的a标签，顺序错误也匹配不成功 86 # print(soup.find_all(class_=re.compile(‘^sis‘))) #查找类为sister的所有标签 87 88 # 2.4 attrs 89 # print(soup.find_all(‘p‘,attrs={‘class‘:‘story‘})) 90 91 # 2.5 text: 值可以是：字符，列表，True，正则 92 # print(soup.find_all(text=‘Elsie‘)) 93 # print(soup.find_all(‘a‘,text=‘Elsie‘)) 94 # 95 # # 2.6 limit参数: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 96 # print(soup.find_all(‘a‘,limit=2)) 97 # 98 # # 2.7 recursive: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 . 99 # print(soup.html.find_all(‘a‘)) 100 # print(soup.html.find_all(‘a‘,recursive=False)) 101 102 ‘‘‘ 103 像调用 find_all() 一样调用tag 104 find_all() 几乎是Beautiful Soup中最常用的搜索方法,所以我们定义了它的简写方法. 105 BeautifulSoup 对象和 tag 对象可以被当作一个方法来使用,这个方法的执行结果与调用这个对象的 find_all() 方法相同,下面两行代码是等价的: 106 soup.find_all("a") 107 soup("a") 108 这两行代码也是等价的: 109 soup.title.find_all(text=True) 110 soup.title(text=True) 111 ‘‘‘ 112 113 114 # 三：find(name , attrs , recursive , text , **kwargs) 115 # 你可能会想，既然已经有了find_all()了，我干嘛还要find。 116 # find_all() 方法将返回文档中符合条件的所有tag,尽管有时候我们只想得到一个结果. 117 # 比如文档中只有一个<body>标签,那么使用 find_all() 方法来查找<body>标签就不太合适, 118 # 使用 find_all 方法并设置 limit=1 参数不如直接使用 find() 方法.下面两行代码是等价的: 119 120 # soup.find_all(‘title‘, limit=1) 121 # [<title>The Dormouse‘s story</title>] 122 # soup.find(‘title‘) 123 # <title>The Dormouse‘s story</title> 124 125 # 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. 126 # find_all() 方法没有找到目标是返回空列表, find() 方法找不到目标时,返回 None . 127 # print(soup.find("nosuchtag")) 128 # None 129 130 # soup.head.title 是 tag的名字 方法的简写.这个简写的原理就是多次调用当前tag的 find() 方法: 131 # 132 # soup.head.title 133 # <title>The Dormouse‘s story</title> 134 # soup.find("head").find("title") 135 # <title>The Dormouse‘s story</title> 136 137 138 # 四：css选择器 139 # 该模块提供了select方法来支持css。 140 #该模块提供了select方法来支持css, 141 # 详见官网:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#id37 142 143 html_doc = """ 144 <html><head><title>The Dormouse‘s story</title></head> 145 <body> 146 <p class="title"> 147 <b>The Dormouse‘s story</b> 148 Once upon a time there were three little sisters; and their names were 149 <a href="http://example.com/elsie" class="sister" id="link1"> 150 <span>Elsie</span> 151 </a> 152 <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and 153 <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; 154 <div class=‘panel-1‘> 155 <ul class=‘list‘ id=‘list-1‘> 156 <li class=‘element‘>Foo</li> 157 <li class=‘element‘>Bar</li> 158 <li class=‘element‘>Jay</li> 159 </ul> 160 <ul class=‘list list-small‘ id=‘list-2‘> 161 <li class=‘element‘><h1 class=‘yyyy‘>Foo</h1></li> 162 <li class=‘element xxx‘>Bar</li> 163 <li class=‘element‘>Jay</li> 164 </ul> 165 </div> 166 and they lived at the bottom of a well. 167 </p> 168 <p class="story">...</p> 169 """ 170 from bs4 import BeautifulSoup 171 soup=BeautifulSoup(html_doc,‘lxml‘) 172 # 4.1 CSS选择器 173 # print(soup.p.select(‘.sister‘)) # 找类名为sister的标签 174 # print(soup.select(‘.sister span‘)) # 找类名为sister的标签下面的span标签 175 176 # print(soup.select(‘#link1‘)) # 找id为link1的标签 177 # print(soup.select(‘#link1 span‘)) # 找id为link1的标签下面的span标签 178 # 179 print(soup.select(‘#list-2 .element.xxx‘))# 找id为link-2的标签下面的类名为element xxx的标签 180 # 181 # print(soup.select(‘#list-2‘)[0].select(‘.element‘)) #可以一直select,但其实没必要,一条select就可以了 182 # 183 # # 4.2 获取属性 184 # print(soup.select(‘#list-2 h1‘)[0].attrs) 185 # 186 # # 4.3 获取内容 187 # print(soup.select(‘#list-2 h1‘)[0].get_text()) 188 189 190 191 # 总结: 192 #1、推荐使用lxml解析库 193 #2、讲了三种选择器:标签选择器,find与find_all，css选择器 194 # 1、标签选择器筛选功能弱,但是速度快 195 # 2、建议使用find,find_all查询匹配单个结果或者多个结果 196 # 3、如果对css选择器非常熟悉建议使用select 197 #3、记住常用的获取属性attrs和文本值get_text()的方法
