转载文章:https://www.cnblogs.com/zhangxinqi/p/9218395.html
Beautiful Soup是python的一个HTML或XML的解析库,我们可以用它来方便的从网页中提取数据,它拥有强大的API和多样的解析方式。
Beautiful Soup的三个特点:
- Beautiful Soup提供一些简单的方法和python式函数,用于浏览,搜索和修改解析树,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
- Beautiful Soup自动将转入稳定转换为Unicode编码,输出文档转换为UTF-8编码,不需要考虑编码,除非文档没有指定编码方式,这时只需要指定原始编码即可
- Beautiful Soup位于流行的Python解析器(如lxml和html5lib)之上,允许您尝试不同的解析策略或交易速度以获得灵活性。
1、Beautiful Soup4的安装配置
Beautiful Soup4通过PyPi发布,所以可以通过系统管理包工具安装,包名字为beautifulsoup4
$easy_install beautifulsoup4
或者
$pip install beautifulsoup4
也可用通过下载源码包来安装:
#wget https://www.crummy.com/software/BeautifulSoup/bs4/download/4.0/beautifulsoup4-4.1.0.tar.gz #tar xf beautifulsoup4-4.1.0.tar.gz #cd beautifulsoup4 #python setup.py install
Beautiful Soup在解析时实际上是依赖解析器的,它除了支持python标准库中的HTML解析器外还支持第三方解析器如lxml
Beautiful Soup支持的解析器,以及它们的优缺点:
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") |
|
|
安装解析器:
$pip install lxml
$pip install html5lib
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
2、BeautifulSoup的基本用法
通过传入一段字符或一个文件句柄,BeautifulSoup的构造方法就能得到一个文档的对象,选择合适的解析器来解析文档,如手动指定将选择指定的解析器来解析文档,Beautiful Soup将复杂的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
注意:BeautifulSoup版本4的包是在bs4中引入的
from bs4 import BeautifulSoup #下面代码示例都是用此文档测试 html_doc = """The Dormouse's story The Dormouse's story
Once upon a time there were three little sisters; and their names were Elsie, Lacie and Tillie; and they lived at the bottom of a well.
...
""" markup="" soup=BeautifulSoup(html_doc,"lxml") soup1=BeautifulSoup(markup,"lxml") tag=soup.a navstr=tag.string comment=soup1.b.string print(type(tag)) #Tag标签对象 print(type(comment)) #Comment对象包含文档注释内容 print(type(navstr)) #NavigableString对象包装字符串内容 print(type(soup)) #BeautifulSoup对象为文档的全部内容 # <class 'bs4.element.Tag'> <class 'bs4.element.Comment'> <class 'bs4.element.NavigableString'> <class 'bs4.BeautifulSoup'>
(1)节点选择器(tag)
直接调用节点的名称就可以选择节点元素,节点可以嵌套选择返回的类型都是bs4.element.Tag对象
soup=BeautifulSoup(html_doc,'lxml') print(soup.head) #获取head标签 print(soup.p.b) #获取p节点下的b节点 print(soup.a.string) #获取a标签下的文本,只获取第一个
name属性获取节点名称:
soup.body.name
attrs属性获取节点属性,也可以字典的形式直接获取,返回的结果可能是列表或字符串类型,取决于节点类型
soup.p.attrs #获取p节点所有属性 soup.p.attrs['class'] #获取p节点class属性 soup.p['class'] #直接获取p节点class属性
string属性获取节点元素包含的文本内容:
soup.p.string #获取第一个p节点下的文本内容
contents属性获取节点的直接子节点,以列表的形式返回内容
soup.body.contents #是直接子节点,不包括子孙节点
children属性获取的也是节点的直接子节点,只是以生成器的类型返回
soup.body.children
descendants属性获取子孙节点,返回生成器
soup.body.descendants
parent属性获取父节点,parents获取祖先节点,返回生成器
soup.b.parent
soup.b.parents
next_sibling属性返回下一个兄弟节点,previous_sibling返回上一个兄弟节点,注意换行符也是一个节点,所以有时候在获取兄弟节点是通常是字符串或者空白
soup.a.next_sibling
soup.a.previous_sibling
next_siblings和previous_sibling分别返回前面和后面的所有兄弟节点,返回生成器
soup.a.next_siblings
soup.a.previous_siblings
next_element和previous_element属性获取下一个被解析的对象,或者上一个
soup.a.next_element
soup.a.previous_element
next_elements和previous_elements迭代器向前或者后访问文档解析内容
soup.a.next_elements
soup.a.previous_elements
(2)方法选择器
前面使用的都是通过节点属性来选择的,这种方法非常快,但在进行比较复杂的选择时就不够灵活,幸好Beautiful Soup还为我们提供了一些查询方法,如fang_all()和find()等
find_all(name,attrs,recursive,text,**kwargs):查询所有符合条件的元素,其中的参数
name表示可以查找所有名字为name的标签(tag),也可以是过滤器,正则表达式,列表或者是True
attrs表示传入的属性,可以通过attrs参数以字典的形式指定如常用属性id,attrs={'id':'123'},由于class属性是python中的关键字,所有在查询时需要在class后面加上下划线即class_='element',返回的结果是tag类型的列表
text参数用来匹配节点的文本,传入的形式可以是字符串也可以是正则表达式对象
recursive表示,如果只想搜索直接子节点可以将参数设为false:recursive=Flase
limit参数,可以用来限制返回结果的数量,与SQL中的limit关键字类似
import re from bs4 import BeautifulSoup html_doc = """ #下面示例都是用此文本内容测试The Dormouse's story The Dormouse's story
Once upon a time there were three little sisters; and their names were Elsie ddd Lacie and Tillie; and they lived at the bottom of a well.
...
中文 """ soup=BeautifulSoup(html_doc,'lxml') print(type(soup)) print(soup.find_all('span')) #标签查找 print(soup.find_all('a',id='link1')) #属性加标签过滤 print(soup.find_all('a',attrs={'class':'sister','id':'link3'})) #多属性 print(soup.find_all('p',class_='title')) #class特殊性,此次传入的参数是**kwargs print(soup.find_all(text=re.compile('Tillie'))) #文本过滤 print(soup.find_all('a',limit=2)) #限制输出数量 # <class 'bs4.BeautifulSoup'> [中文] [class="sister" href="http://example.com/elsie" id="link1">Elsie] [class="sister" href="http://example.com/tillie" id="link3">Tillie] [class="title">The Dormouse's story
] ['Tillie'] [class="sister" href="http://example.com/elsie" id="link1">Elsie, class="sister" href="http://example.com/lacie" id="link2">Lacie]
find( name , attrs , recursive , text , **kwargs ):它返回的是单个元素,也就是第一个匹配的元素,类型依然是tag类型
参数同find_all()一样
另外还有许多查询方法,其用法和前面介绍的find_all()方法完全相同,只不过查询范围不同,参数也一样
find_parents(name , attrs , recursive , text , **kwargs )和find_parent(name , attrs , recursive , text , **kwargs ):前者返回所有祖先节点,后者返回直接父节点
find_next_siblings(name , attrs , recursive , text , **kwargs )和find_next_sibling(name , attrs , recursive , text , **kwargs ):对当前tag后面的节点进行迭代,前者返回后面的所有兄弟节点,后者返回后面第一个兄弟节点
find_previous_siblings(name , attrs , recursive , text , **kwargs )和find_previous_sibling(name , attrs , recursive , text , **kwargs ):对当前tag前面的节点进行迭代,前者返回前面的所有兄弟节点,后者返回前面的第一个兄弟节点
find_all_next(name , attrs , recursive , text , **kwargs )和find_next(name , attrs , recursive , text , **kwargs ):对当前tag之后的tag和字符串进行迭代,前者返回所有符合条件的节点,后者返回第一个符合条件的节点
find_all_previous()和find_previous():对当前tag之前的tag和字符串进行迭代,前者返回节点后所有符合条件的节点,后者返回第一个符合条件的节点
(3)CSS选择器
Beautiful Soup还提供了CSS选择器,如果多CSS选择器不熟悉可以参考下http://www.w3school.com.cn/cssref/css_selectors.asp
在 Tag 或 BeautifulSoup 对象的 .select()方法中传入字符串参数,即可使用CSS选择器的语法找到tag:
In [10]: soup.select('title') Out[10]: [The Dormouse's story ]
通过tag标签逐层查找:
In [12]: soup.select('body a') Out[12]: [class="sister" href="http://example.com/elsie" id="link1">Elsie, class="sister" href="http://example.com/lacie" id="link2">Lacie, class="sister" href="http://example.com/tillie" id="link3">Tillie]
查找某个tag标签下的直接子标签:
In [13]: soup.select('head > title') Out[13]: [The Dormouse's story ]
查找兄弟节点标签:
In [14]: soup.select('#link1 ~ .sister') Out[14]: [class="sister" href="http://example.com/lacie" id="link2">Lacie, class="sister" href="http://example.com/tillie" id="link3">Tillie]
通过CSS类名查找:
In [15]: soup.select('.title') Out[15]: [class="title">The Dormouse's story
] In [16]: soup.select('[class~=title]') Out[16]: [class="title">The Dormouse's story
]
通过tag的id查找:
In [17]: soup.select('#link1') Out[17]: [class="sister" href="http://example.com/elsie" id="link1">Elsie] In [18]: soup.select('a#link2') Out[18]: [class="sister" href="http://example.com/lacie" id="link2">Lacie]
通过是否存在某个属性来查找:
In [20]: soup.select('a[href]') Out[20]: [class="sister" href="http://example.com/elsie" id="link1">Elsie, class="sister" href="http://example.com/lacie" id="link2">Lacie, class="sister" href="http://example.com/tillie" id="link3">Tillie]
通过属性的值来查找匹配:
In [22]: soup.select('a[href="http://example.com/elsie"]') Out[22]: [class="sister" href="http://example.com/elsie" id="link1">Elsie] In [23]: soup.select('a[href^="http://example.com/"]') #匹配值的开头 Out[23]: [class="sister" href="http://example.com/elsie" id="link1">Elsie, class="sister" href="http://example.com/lacie" id="link2">Lacie, class="sister" href="http://example.com/tillie" id="link3">Tillie] In [24]: soup.select('a[href$="tillie"]') #匹配值的结尾 Out[24]: [class="sister" href="http://example.com/tillie" id="link3">Tillie] In [25]: soup.select('a[href*=".com/el"]') #模糊匹配 Out[25]: [class="sister" href="http://example.com/elsie" id="link1">Elsie]
tag节点查找,方法选择器查找和CSS选择器查找三种方法的实现方式基本相似,tag相对于其他两种所有最快速的查找方式,但方法选择器提供更便利更复杂的查找方式,使用更如有上手。
(4)tag修改方法
Beautiful Soup的强项是文档的搜索功能,修改功能使用场景不是很多只做简单介绍,要了解更多修改方法请前往Beautiful Soup官方文档查看。
Beautiful Soup可以实现改变tag标志的属性的值,添加或删除属性和内容,下面介绍一些常用的方法
In [26]: markup='baidu' In [28]: soup=BeautifulSoup(markup,'lxml') In [29]: soup.a.string='百度' In [30]: soup.a Out[30]: "http://www.baidu.com/">百度 #如果a节点下包括子也将被覆盖掉
Tag.append() 方法想tag中添加内容,就好像Python的列表的 .append() 方法:
In [30]: soup.a Out[30]: "http://www.baidu.com/">百度 In [31]: soup.a.append('一下') In [32]: soup.a Out[32]: "http://www.baidu.com/">百度一下
new_tag()方法用于创建一个tag标签
In [33]: soup=BeautifulSoup('','lxml') In [34]: new_tag=soup.new_tag('a',href="http://www.python.org") #创建tag,第一个参数必须为tag的名称 In [35]: soup.b.append(new_tag) #添加到b节点下 In [36]: new_tag.string='python' #为tag设置值 In [37]: soup.b Out[37]: "http://www.python.org">python
其他方法:
insert()将元素插入到指定的位置
inert_before()在当前tag或文本节点前插入内容
insert_after()在当前tag或文本节点后插入内容
clear()移除当前tag的内容
extract()将当前tag移除文档数,并作为方法结果返回
prettify()将Beautiful Soup的文档数格式化后以Unicode编码输出,tag节点也可以调用
get_text()输出tag中包含的文本内容,包括子孙tag中的内容
soup.original_encoding 属性记录了自动识别的编码结果
from_encoding:参数在创建BeautifulSoup对象是可以用来指定编码,减少猜测编码的运行速度
#解析部分文档,可以使用SoupStrainer类来创建一个内容过滤器,它接受同搜索方法相同的参数
from bs4 import BeautifulSoup,SoupStrainer html_doc = """The Dormouse's story The Dormouse's story
Once upon a time there were three little sisters; and their names were Elsie ddd Lacie and Tillie; and they lived at the bottom of a well.
...
中文 """ only_a_tags = SoupStrainer('a') #顾虑器 soup=BeautifulSoup(html_doc,'lxml',parse_only=only_a_tags) print(soup.prettify()) # class="sister" href="http://example.com/elsie" id="link1"> Elsie class="sister" href="http://example.com/lacie" id="link2"> Lacie class="sister" href="http://example.com/tillie" id="link3"> Tillie
#Beautiful Soup异常处理:
HTMLParser.HTMLParseError:malformed start tag
HTMLParser.HTMLParseError:bad end tag 这个两个异常都是解析器引起的,解决方法是安装lxml或者html5lib
更多内容...
官方文档:https://www.crummy.com/software/BeautifulSoup/bs4/doc/
中文文档:https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh
PyPI:https://pypi.org/project/beautifulsoup4/