用Python解析HTML，BeautifulSoup使用简介

阅读更多

 

用Python解析HTML，BeautifulSoup使用简介

by cnDenis, http://cndenis.iteye.com， 2012年12月12日

 

Beautiful Soup，字面意思是美好的汤，是一个用于解析HTML文件的Python库。主页在 http://www.crummy.com/software/BeautifulSoup/ ， 下载与安装无需啰嗦，这里就介绍一下它的使用吧。

---

装汤——Making the Soup

首先要把待解析的HTML装入BeautifulSoup。BeautifulSoup可以接受文件句柄或是字符串作为输入：

from bs4 import BeautifulSoup
fp = open("index.html")
soup1 = BeautifulSoup(fp)
soup2 = BeautifulSoup("data")

---

汤料——Soup中的对象

标签（Tag）

标签对应于HTML元素，也就是应于一对HTML标签以及括起来的内容（包括内层标签和文本），如：

soup = BeautifulSoup('Extremely bold')
tag = soup.b

soup.b就是一个标签，soup其实也可以视为是一个标签，其实整个HTML就是由一层套一层的标签组成的。

名字（Name）

名字对应于HTML标签中的名字（也就是尖括号里的第一项）。每个标签都具有名字，标签的名字使用.name来访问，例如上例中，

tag.name == u'b'
soup.name == u'[document]'

属性（Atrriutes）

属性对应于HTML标签中的属性部分（也就是尖括号里带等号的那些）。标签可以有许多属性，也可以没有属性。属性使用类似于字典的形式访问，用方括号加属性名，例如上例中，

tag['class'] ==  u'boldest'

可以使用.attrs直接获得这个字典，例如，

tag.attrs == {u'class': u'boldest'}

文本（Text）

文本对应于HTML中的文本（也就是尖括号外的部分）。文件使用.text来访问，例如上例中，

tag.text ==  u'Extremely bold'

---

找汤料——Soup中的查找

解析一个HTML通常是为了找到感兴趣的部分，并提取出来。BeautifulSoup提供了find和find_all的方法进行查找。find只返回找到的第一个标签，而find_all则返回一个列表。因为查找用得很多，所以BeautifulSoup做了一些很方便的简化的使用方式：

tag.find_all("a")  #等价于 tag("a")
tag.find("a") #等价于 tag.a

因为找不到的话，find_all返回空列表，find返回None，而不会抛出异常，所以，也不用担心 tag("a") 或 tag.a 会因为找不到而报错。限于python的语法对变量名的规定，tag.a 的形式只能是按名字查找，因为点号.后面只能接变量名，而带括号的形式 tag() 或 tag.find() 则可用于以下的各种查找方式。

查找可以使用多种方式：字符串、列表、键-值（字典）、正则表达式、函数

• 字符串： 字符串会匹配标签的名字，例如 tag.a 或 tag("a")

• 列表： 可以按一个字符串列表查找，返回名字匹配任意一个字符串的标签。例如 tag("h2", "p")

• 键-值： 可以用tag(key=value)的形式，来按标签的属性查找。键-值查找里有比较多的小花招，这里列几条：

  1. class
     class是Python的保留字，不能当变量名用，偏偏在HTML中会有很多 class=XXX 的情况，BeautifulSoup的解决方法是加一下划线，用 class_ 代替,如 tag(class_=XXX)。
  2. True
     当值为True时，会匹配所有带这个键的标签，如 tag(href=True)
  3. text
     text做为键时表示查找按标签中的文本查找，如 tag(text=something）

• 正则表达式： 例如 tag(href=re.compile("elsie"))

• 函数： 当以上方法都行不通时，函数是终极方法。写一个以单个标签为参数的函数，传入 find 或 find_all 进行查找。如

  def fun(tag):
      return tag.has_key("class") and not tag.has_key("id")
  tag(fun) # 会返回所有带class属性但不带id属性的标签
  

---

再来一碗——按文档的结构查找

HTML可以解析成一棵标签树，因此也可以按标签在树中的相互关系来查找。

• 查找上层节点：find_parents() 和 find_parent()

• 查找下一个兄弟节点：find_next_siblings() 和 find_next_sibling()

• 查找上一个兄弟节点：find_previous_siblings() 和 find_previous_sibling()

以上四个都只会查同一父节点下的兄弟

• 查找下层节点：其实上面说的find和find_all就是干这活的

• 查找下一个节点（无视父子兄弟关系） find_all_next() 和 find_next()

• 查找上一个节点（无视父子兄弟关系） find_all_previous() 和 find_previous()

以上的这些查找的参都和find一样，可以搭配着用。

---

看颜色选汤——按CSS查找

用 .select()方法，看 http://www.crummy.com/software/BeautifulSoup/bs4/doc/#css-selectors

一些小花招

• BeautifulSoup 可以支持多种解析器，如lxml, html5lib, html.parser. 如：BeautifulSoup("", "html.parser")

具体表现可参考 http://www.crummy.com/software/BeautifulSoup/bs4/doc/#differences-between-parsers

• BeautifulSoup 在解析之前会先把文本转换成unicode，可以用 from_encoding 指定编码，如：BeautifulSoup(markup, from_encoding="iso-8859-8")

• soup.prettify()可以输出排列得很好看的HTML文本，遇上中文的话可以指定编码使其显示正常，如 soup.prettify("gbk")

• 还是有编码问题，看：http://www.crummy.com/software/BeautifulSoup/bs4/doc/#unicode-dammit