1. Beautiful Soup的简介
简单来说,Beautiful Soup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:
Beautiful Soup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。
Beautiful Soup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,Beautiful Soup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。
Beautiful Soup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。
废话不多说,我们来试一下吧~
2. Beautiful Soup 安装
Beautiful Soup 3 目前已经停止开发,推荐在现在的项目中使用Beautiful Soup 4,不过它已经被移植到BS4了,也就是说导入时我们需要 import bs4 。所以这里我们用的版本是 Beautiful Soup 4.3.2 (简称BS4),另外据说 BS4 对 Python3 的支持不够好,不过我用的是 Python2.7.7,如果有小伙伴用的是 Python3 版本,可以考虑下载 BS3 版本。
如果你用的是新版的Debain或Ubuntu,那么可以通过系统的软件包管理来安装,不过它不是最新版本,目前是4.2.1版本
1
|
sudo
apt-get
install
Python-bs4
|
如果想安装最新的版本,请直接下载安装包来手动安装,也是十分方便的方法。在这里我安装的是 Beautiful Soup 4.3.2
1
|
Beautiful Soup 3.2.1Beautiful Soup 4.3.2
|
下载完成之后解压
运行下面的命令即可完成安装
1
|
sudo
python setup.py
install
|
如下图所示,证明安装成功了
然后需要安装 lxml
1
|
sudo
apt-get
install
Python-lxml
|
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,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,推荐安装。
3. 开启Beautiful Soup 之旅
在这里先分享官方文档链接,不过内容是有些多,也不够条理,在此本文章做一下整理方便大家参考。
官方文档
4. 创建 Beautiful Soup 对象
首先必须要导入 bs4 库
1
|
from
bs4
import
BeautifulSoup
|
我们创建一个字符串,后面的例子我们便会用它来演示
创建 beautifulsoup 对象
1
|
soup
=
BeautifulSoup(html)
|
另外,我们还可以用本地 HTML 文件来创建对象,例如
1
|
soup
=
BeautifulSoup(
open
(
'index.html'
))
|
上面这句代码便是将本地 index.html 文件打开,用它来创建 soup 对象
下面我们来打印一下 soup 对象的内容,格式化输出
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
|
print
soup.prettify()
The Dormouse's story
<
/
title>
<
/
head>
The Dormouse's story
<
/
b>
<
/
p>
Once upon a time there were three little sisters;
and
their names were
<
/
a>
,
Lacie
<
/
a>
and
Tillie
<
/
a>
;
and
they lived at the bottom of a well.
<
/
p>
...
<
/
p>
<
/
body>
<
/
html>
|
以上便是输出结果,格式化打印出了它的内容,这个函数经常用到,小伙伴们要记好咯。
5. 四大对象种类
Beautiful Soup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:
下面我们进行一一介绍
(1)Tag
Tag 是什么?通俗点讲就是 HTML 中的一个个标签,例如
1
2
3
|
<
title
>The Dormouse's story
title
>
<
a
class
=
"sister"
href
=
"http://example.com/elsie"
id
=
"link1"
>Elsie
a
>
|
上面的 title a 等等 HTML 标签加上里面包括的内容就是 Tag,下面我们来感受一下怎样用 Beautiful Soup 来方便地获取 Tags
下面每一段代码中注释部分即为运行结果
我们可以利用 soup加标签名轻松地获取这些标签的内容,是不是感觉比正则表达式方便多了?不过有一点是,它查找的是在所有内容中的第一个符合要求的标签,如果要查询所有的标签,我们在后面进行介绍。
我们可以验证一下这些对象的类型
1
2
|
print
type
(soup.a)
#
|
对于 Tag,它有两个重要的属性,是 name 和 attrs,下面我们分别来感受一下
1
2
3
4
5
6
|
name
print
soup.name
print
soup.head.name
#[document]
#head
|
soup 对象本身比较特殊,它的 name 即为 [document],对于其他内部标签,输出的值便为标签本身的名称。
1
2
3
4
|
attrs
print
soup.p.attrs
#{'class': ['title'], 'name': 'dromouse'}
|
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。
如果我们想要单独获取某个属性,可以这样,例如我们获取它的 class 叫什么
1
2
|
print
soup.p[
'class'
]
#['title']
|
还可以这样,利用get方法,传入属性的名称,二者是等价的
1
2
|
print
soup.p.get(
'class'
)
#['title']
|
我们可以对这些属性和内容等等进行修改,例如
1
2
3
|
soup.p[
'class'
]
=
"newClass"
print
soup.p
#
|
还可以对这个属性进行删除,例如
1
2
3
|
del
soup.p[
'class'
]
print
soup.p
#
|
不过,对于修改删除的操作,不是我们的主要用途,在此不做详细介绍了,如果有需要,请查看前面提供的官方文档
(2)NavigableString
既然我们已经得到了标签的内容,那么问题来了,我们要想获取标签内部的文字怎么办呢?很简单,用 .string 即可,例如
1
2
|
print
soup.p.string
#The Dormouse's story
|
这样我们就轻松获取到了标签里面的内容,想想如果用正则表达式要多麻烦。它的类型是一个 NavigableString,翻译过来叫 可以遍历的字符串,不过我们最好还是称它英文名字吧。
1
2
|
print
type
(soup.p.string)
#
|
来检查一下它的类型
1
2
|
print
type
(soup.p.string)
#
|
(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,以及属性来感受一下
1
2
3
4
5
6
|
print
type
(soup.name)
#
print
soup.name
# [document]
print
soup.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,但是如果不好好处理它,可能会对我们的文本处理造成意想不到的麻烦。
我们找一个带注释的标签
1
2
3
|
print
soup.a
print
soup.a.string
print
type
(soup.a.string)
|
运行结果如下
1
2
3
|
Elsie
<
class
'bs4.element.Comment'
>
|
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。
另外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
1
2
|
if
type
(soup.a.string)
=
=
bs4.element.Comment:
print
soup.a.string
|
上面的代码中,我们首先判断了它的类型,是否为 Comment 类型,然后再进行其他操作,如打印输出。
6. 遍历文档树
(1)直接子节点
要点:.contents .children 属性
.contents
tag 的 .content 属性可以将tag的子节点以列表的方式输出
1
2
|
print
soup.head.contents
#[
|
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
1
2
3
4
|
print
soup.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
1
2
|
print
soup.head.children
#
|
我们怎样获得里面的内容呢?很简单,遍历一下就好了,代码及结果如下
1
2
3
4
5
6
7
8
9
10
11
12
|
for
child
in
soup.body.children:
print
child
and
they lived at the bottom of a well.<
/
p>
|
(2)所有子孙节点
知识点:.descendants 属性
.descendants
.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,我们也需要遍历获取其中的内容。
1
2
|
for
child
in
soup.descendants:
print
child
|
运行结果如下,可以发现,所有的节点都被打印出来了,先生最外层的 HTML标签,其次从 head 标签一个个剥离,以此类推。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
|
<
html
><
head
><
title
>The Dormouse's story
title
>
head
>
<
body
>
<
p
class
=
"title"
name
=
"dromouse"
><
b
>The Dormouse's story
b
>
p
>
<
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"
>
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
>
<
p
class
=
"story"
>...
p
>
body
>
html
>
<
head
><
title
>The Dormouse's story
title
>
head
>
<
title
>The Dormouse's story
title
>
The Dormouse's story
<
body
>
<
p
class
=
"title"
name
=
"dromouse"
><
b
>The Dormouse's story
b
>
p
>
<
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"
>
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
>
<
p
class
=
"story"
>...
p
>
body
>
<
p
class
=
"title"
name
=
"dromouse"
><
b
>The Dormouse's story
b
>
p
>
<
b
>The Dormouse's story
b
>
The Dormouse's story
<
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"
>
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
<
a
class
=
"sister"
href
=
"http://example.com/elsie"
id
=
"link1"
>
a
>
Elsie
,
<
a
class
=
"sister"
href
=
"http://example.com/lacie"
id
=
"link2"
>Lacie
a
>
Lacie
and
<
a
class
=
"sister"
href
=
"http://example.com/tillie"
id
=
"link3"
>Tillie
a
>
Tillie
;
and they lived at the bottom of a well.
<
p
class
=
"story"
>...
p
>
...
|
(3)节点内容
知识点:.string 属性
如果tag只有一个 NavigableString 类型子节点,那么这个tag可以使用 .string 得到子节点。如果一个tag仅有一个子节点,那么这个tag也可以使用 .string 方法,输出结果与当前唯一子节点的 .string 结果相同。
通俗点说就是: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。例如
1
2
3
4
|
print
soup.head.string
#The Dormouse's story
print
soup.title.string
#The Dormouse's story
|
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
1
2
|
print
soup.html.string
# None
|
(4)多个内容
知识点: .strings .stripped_strings 属性
.strings
获取多个内容,不过需要遍历获取,比如下面的例子
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
for
string
in
soup.strings:
print
(
repr
(string))
# u"The Dormouse's story"
# u'\n\n'
# u"The Dormouse's story"
# u'\n\n'
# u'Once upon a time there were three little sisters; and their names were\n'
# u'Elsie'
# u',\n'
# u'Lacie'
# u' and\n'
# u'Tillie'
# u';\nand they lived at the bottom of a well.'
# u'\n\n'
# u'...'
# u'\n'
|
.stripped_strings
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
1
2
3
4
5
6
7
8
9
10
11
12
|
for
string
in
soup.stripped_strings:
print
(
repr
(string))
# u"The Dormouse's story"
# u"The Dormouse's story"
# u'Once upon a time there were three little sisters; and their names were'
# u'Elsie'
# u','
# u'Lacie'
# u'and'
# u'Tillie'
# u';\nand they lived at the bottom of a well.'
# u'...'
|
(5)父节点
知识点: .parent 属性