正文
爬虫（五）—— 解析库（二）beautiful soup解析库
提示：扫一扫查出行【扫一扫了解最新限行尾号】
复制提示
解析库——beautiful soup
目录
- 解析库——beautiful soup
- 一、BeautifulSoup简介
- 二、安装模块
- 三、Beautiful Soup的基本使用
-
四、Beautiful Soup查找元素
- 1、查找文本、属性——“ . ”的形式逐层查找
-
2、搜索文档树—— find() / find_all()
- （1）5种过滤器
- （2）find_all方法参数
- 3、CSS选择器—— select('#id')
一、BeautifulSoup简介
Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库。它能够通过转换器实现惯用的文档导航、查找、修改文档的方式。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。
二、安装模块
# 安装 Beautiful Soup
pip install beautifulsoup4
# 安装lxml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:
pip install lxml
# 安装 Beautiful Soup
pip install beautifulsoup4
# 安装lxml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:
pip install lxml
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")
|
Python的内置标准库执行速度适中文档容错能力强 | Python 2.7.3 or 3.2.2)前 的版本中文档容错能力差 |
| lxml HTML 解析器 |
BeautifulSoup(markup, "lxml")
|
速度快文档容错能力强 | 需要安装C语言库 |
| lxml XML 解析器 |
BeautifulSoup(markup, ["lxml", "xml"])``BeautifulSoup(markup, "xml")
|
速度快唯一支持XML的解析器 | 需要安装C语言库 |
| html5lib |
BeautifulSoup(markup, "html5lib")
|
最好的容错性以浏览器的方式解析文档生成HTML5格式的文档 | 速度慢不依赖外部扩展 |
三、Beautiful Soup的基本使用
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>
"""
# 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
# soup=BeautifulSoup(open('a.html','r',encoding='UTF-8'), 'lxml')
html_doc=soup.prettify() # 处理好缩进、错误，结构化显
print(html_doc)
四、Beautiful Soup查找元素
1、查找文本、属性——“ . ”的形式逐层查找
# 1. 获取标签的名称 ********
print(soup.p.name)
# 2. 获取标签的属性 ********
print(soup.p.attrs)
# 3. 获取标签的内容
print(soup.p.string) # p下的文本只有一个时，取到，否则为None
print(soup.p.strings) # 拿到一个生成器对象, 取到p下所有的文本内容，可以转换为list
print(soup.p.text) # 取到p下所有的文本内容 *******
for line in soup.stripped_strings: # 去掉空白
print(line)
# 4. 嵌套选择
print(soup.head.title.string)
print(soup.body.a.string)
# 5. 子节点、子孙节点
print(soup.p.contents) # p下所有子节点
print(soup.p.children) # 得到一个迭代器,包含p下所有子节点
for i,child in enumerate(soup.p.children):
print(i,child)
print(soup.p.descendants) # 获取子孙节点,p下所有的标签都会选择出来
for i,child in enumerate(soup.p.descendants):
print(i,child)
# 6. 父节点、祖先节点
print(soup.a.parent) # 获取a标签的父节点
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...
# 7. 兄弟节点
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=>生成器对象
print(soup.a.previous_siblings) # 上面的兄弟们=>生成器对象from bs4 import BeautifulSoup
soup = BeautifulSoup('html_doc','lxml')
html_doc=soup.prettify()
print(soup.a.text) # 获取a标签下的文本内容
print(soup.a.attrs['href']) # 获取a标签的href属性
print(soup.a.name) # 获取a标签的name
2、搜索文档树—— find() / find_all()
（1）5种过滤器
1. 字符串 ---- ''
2. 正则表达式 ----- re.compile()
3. 列表
4. True # name=True 查找存在name等的标签
5. 方法
from bs4 import BeautifulSoup
soup=BeautifulSoup(html_doc,'lxml')
# find_all(find(self, name=None, attrs={}, recursive=True, text=None, **kwargs))
# 1.字符串
print(soup.find_all('b'))
# 2.正则表达式
# 利用re.compile()使用正则
import re
print(soup.find_all(name=re.compile('^b'))) # 找出b开头的标签，结果有body和b标签
# 3.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:
print(soup.find_all(['a','b']))
# 4.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
print(soup.find_all(attrs={'id':True})) # 找到所有有id属性的标签
print(soup.find_all(True))
for tag in soup.find_all(True):
print(tag.name)
# 5.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
def has_class_but_no_id(tag):
return tag.has_attr('class') and not tag.has_attr('id')
print(soup.find_all(has_class_but_no_id))
# 匿名函数
print(soup.find_all(lambda tag: True if tag.has_attr("class") and tag.has_attr("id") else False))
（2）find_all方法参数
find_all(find(self, name=None, attrs={}, recursive=True, text=None, **kwargs))
# 1、name: 搜索name参数的值可以使任一类型的 过滤器 ,字符窜,正则表达式,列表,方法或是 True .
print(soup.find_all(name=re.compile('^t')))
# 2、keyword: key=value的形式，value可以是过滤器：字符串 , 正则表达式 , 列表, True .
print(soup.find_all(id=re.compile('my')))
print(soup.find_all(href=re.compile('lacie'),id=re.compile('\d'))) #注意类要用class_
print(soup.find_all(id=True)) # 查找有id属性的标签
# 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>','lxml')
# data_soup.find_all(data-foo="value") #报错：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:
print(data_soup.find_all(attrs={"data-foo": "value"}))
# [<div data-foo="value">foo!</div>]
# 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
print(soup.find_all(name='a',class_='sister')) #查找类为sister的a标签
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
print(soup.find_all(class_=re.compile('^sis'))) #查找类为sister的所有标签
# 4、attrs
print(soup.find_all('p',attrs={'class':'story'}))
# 5、text: 值可以是：字符，列表，True，正则
print(soup.find_all(text='Elsie'))
print(soup.find_all('a',text='Elsie'))
# 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
print(soup.find_all('a',limit=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
print(soup.html.find_all('a'))
print(soup.html.find_all('a',recursive=False))
3、CSS选择器—— select('#id')
# 1. CSS选择器
# select 返回的是一个列表
print(soup.p.select('.sister'))
print(soup.select('.sister span'))
print(soup.select('#link1'))
print(soup.select('#link1 span'))
print(soup.select('#list-2 .element.xxx'))
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
# 2. 获取属性
print(soup.select('#list-2 h1')[0].attrs)
# 3. 获取内容
print(soup.select('#list-2 h1')[0].get_text())
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>
"""
# 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
# soup=BeautifulSoup(open('a.html','r',encoding='UTF-8'), 'lxml')
html_doc=soup.prettify() # 处理好缩进、错误，结构化显
print(html_doc)
1、查找文本、属性——“ . ”的形式逐层查找
# 1. 获取标签的名称 ********
print(soup.p.name)
# 2. 获取标签的属性 ********
print(soup.p.attrs)
# 3. 获取标签的内容
print(soup.p.string) # p下的文本只有一个时，取到，否则为None
print(soup.p.strings) # 拿到一个生成器对象, 取到p下所有的文本内容，可以转换为list
print(soup.p.text) # 取到p下所有的文本内容 *******
for line in soup.stripped_strings: # 去掉空白
print(line)
# 4. 嵌套选择
print(soup.head.title.string)
print(soup.body.a.string)
# 5. 子节点、子孙节点
print(soup.p.contents) # p下所有子节点
print(soup.p.children) # 得到一个迭代器,包含p下所有子节点
for i,child in enumerate(soup.p.children):
print(i,child)
print(soup.p.descendants) # 获取子孙节点,p下所有的标签都会选择出来
for i,child in enumerate(soup.p.descendants):
print(i,child)
# 6. 父节点、祖先节点
print(soup.a.parent) # 获取a标签的父节点
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...
# 7. 兄弟节点
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=>生成器对象
print(soup.a.previous_siblings) # 上面的兄弟们=>生成器对象from bs4 import BeautifulSoup
soup = BeautifulSoup('html_doc','lxml')
html_doc=soup.prettify()
print(soup.a.text) # 获取a标签下的文本内容
print(soup.a.attrs['href']) # 获取a标签的href属性
print(soup.a.name) # 获取a标签的name
2、搜索文档树—— find() / find_all()
（1）5种过滤器
1. 字符串 ---- ''
2. 正则表达式 ----- re.compile()
3. 列表
4. True # name=True 查找存在name等的标签
5. 方法
from bs4 import BeautifulSoup
soup=BeautifulSoup(html_doc,'lxml')
# find_all(find(self, name=None, attrs={}, recursive=True, text=None, **kwargs))
# 1.字符串
print(soup.find_all('b'))
# 2.正则表达式
# 利用re.compile()使用正则
import re
print(soup.find_all(name=re.compile('^b'))) # 找出b开头的标签，结果有body和b标签
# 3.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:
print(soup.find_all(['a','b']))
# 4.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
print(soup.find_all(attrs={'id':True})) # 找到所有有id属性的标签
print(soup.find_all(True))
for tag in soup.find_all(True):
print(tag.name)
# 5.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
def has_class_but_no_id(tag):
return tag.has_attr('class') and not tag.has_attr('id')
print(soup.find_all(has_class_but_no_id))
# 匿名函数
print(soup.find_all(lambda tag: True if tag.has_attr("class") and tag.has_attr("id") else False))
（2）find_all方法参数
find_all(find(self, name=None, attrs={}, recursive=True, text=None, **kwargs))
# 1、name: 搜索name参数的值可以使任一类型的 过滤器 ,字符窜,正则表达式,列表,方法或是 True .
print(soup.find_all(name=re.compile('^t')))
# 2、keyword: key=value的形式，value可以是过滤器：字符串 , 正则表达式 , 列表, True .
print(soup.find_all(id=re.compile('my')))
print(soup.find_all(href=re.compile('lacie'),id=re.compile('\d'))) #注意类要用class_
print(soup.find_all(id=True)) # 查找有id属性的标签
# 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>','lxml')
# data_soup.find_all(data-foo="value") #报错：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:
print(data_soup.find_all(attrs={"data-foo": "value"}))
# [<div data-foo="value">foo!</div>]
# 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
print(soup.find_all(name='a',class_='sister')) #查找类为sister的a标签
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
print(soup.find_all(class_=re.compile('^sis'))) #查找类为sister的所有标签
# 4、attrs
print(soup.find_all('p',attrs={'class':'story'}))
# 5、text: 值可以是：字符，列表，True，正则
print(soup.find_all(text='Elsie'))
print(soup.find_all('a',text='Elsie'))
# 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
print(soup.find_all('a',limit=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
print(soup.html.find_all('a'))
print(soup.html.find_all('a',recursive=False))
3、CSS选择器—— select('#id')
# 1. CSS选择器
# select 返回的是一个列表
print(soup.p.select('.sister'))
print(soup.select('.sister span'))
print(soup.select('#link1'))
print(soup.select('#link1 span'))
print(soup.select('#list-2 .element.xxx'))
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
# 2. 获取属性
print(soup.select('#list-2 h1')[0].attrs)
# 3. 获取内容
print(soup.select('#list-2 h1')[0].get_text())
