beautifulsoup 4 基础教程

原文

beautifulsoup 4 基础教程

BeautifulSoup是python解析html非常好用的第三方库！

		抓取网页信息的***强大帮手***

   
   
   
   

一、安装

pip install beautifulsoup4  

   
   
   
   

二、导入

form bs4 import BeautifulSoup

   
   
   
   

三、解析库

BeautifulSoup默认支持Python的标准HTML解析库，但是它也支持一些第三方的解析库：

序号	解析库	使用方法	优势	劣势
1	Python标准库	BeautifulSoup(html,’html.parser’)	Python内置标准库；执行速度快	容错能力较差
2	lxml HTML解析库	BeautifulSoup(html,’lxml’)	速度快；容错能力强	需要安装，需要C语言库
3	lxml XML解析库	BeautifulSoup(html,[‘lxml’,’xml’])	速度快；容错能力强；支持XML格式	需要C语言库
4	htm5lib解析库	BeautifulSoup(html,’htm5llib’)	以浏览器方式解析，最好的容错性	速度慢

四、使用技巧
例如有这样一个网页html：

 
  
  
  
  
  
 
 
  

   

    

     

      
       新闻 
      
       hao123 
      
       地图 
      
       视频 
      
       贴吧 
      
       更多产品 
     
    
   
  
 


   
   
   
   

创建beautifulsoup4对象：

from bs4 import BeautifulSoup

bs = BeautifulSoup(html,“html.parser”)

缩进格式

print(bs.prettify())

获取title标签的所有内容

print(bs.title)

获取title标签的名称

print(bs.title.name)

获取title标签的文本内容

print(bs.title.string)

获取head标签的所有内容

print(bs.head)

获取第一个div标签中的所有内容

print(bs.div)

获取第一个div标签的id的值

print(bs.div[“id”])

获取第一个a标签中的所有内容

print(bs.a)

获取所有的a标签中的所有内容

print(bs.find_all(“a”))

获取id=“u1”

print(bs.find(id=“u1”))

获取所有的a标签，并遍历打印a标签中的href的值

for item in bs.find_all(“a”):
print(item.get(“href”))

获取所有的a标签，并遍历打印a标签的文本值

for item in bs.find_all(“a”):
print(item.get_text())

五、BeautifulSoup4四大对象种类

BeautifulSoup4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:

（1）Tag
（2）NavigableString
（3）BeautifulSoup
（4）Comment

（1）Tag ： Tag通俗点讲就是HTML中的一个个标签，例如：

from bs4 import BeautifulSoup
bs = BeautifulSoup(html,"html.parser")

获取title标签的所有内容

print(bs.title)

获取head标签的所有内容

print(bs.head)

获取第一个a标签的所有内容

print(bs.a)

类型

print(type(bs.a))

我们可以利用 soup 加标签名轻松地获取这些标签的内容，这些对象的类型是 bs4.element.Tag。
但是注意，它查找的是在所有内容中的第一个符合要求的标签。

对于 Tag，它有两个重要的属性，是 name 和 attrs：

# [document] 
#bs 对象本身比较特殊，它的 name 即为 [document]
print(bs.name)

head

#对于其他内部标签，输出的值便为标签本身的名称
print(bs.head.name)

在这里，我们把 a 标签的所有属性打印输出了出来，得到的类型是一个字典。

print(bs.a.attrs)

#还可以利用get方法，传入属性的名称，二者是等价的
print(bs.a[‘class’]) # bs.a.get(‘class’)

可以对这些属性和内容等等进行修改

bs.a[‘class’] = “newClass”
print(bs.a)

还可以对这个属性进行删除

del bs.a[‘class’]
print(bs.a)

（2）NavigableString：获取标签内部的文字用 .string 即可，例如：

print(bs.title.string)

print(type(bs.title.string))

（3）BeautifulSoup：表示的是一个文档的内容。

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，例如：

print(type(bs.name))

print(bs.name)

print(bs.attrs)

（4）Comment：是一个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号。

print(bs.a)  # 此时不能出现空格和换行符，a标签如下：
# 

print(bs.a.string) # 新闻

print(type(bs.a.string)) #

六、遍历文档树

（1）.contents：获取Tag的所有子节点，返回一个list

# tag的.content 属性可以将tag的子节点以列表的方式输出
print(bs.head.contents)

用列表索引来获取它的某一个元素

print(bs.head.contents[1])

（2）.children：获取Tag的所有子节点，返回一个生成器

for child in  bs.body.children:
    print(child)

   
   
   
   

七、搜索文档树

1. find_all(name, attrs, recursive, text, **kwargs)

（1）name参数：

字符串过滤：会查找与字符串完全匹配的内容

a_list = bs.find_all("a")
print(a_list)

   
   
   
   

正则表达式过滤：如果传入的是正则表达式，那么BeautifulSoup4会通过search()来匹配内容

t_list = bs.find_all(re.compile("a"))
for item in t_list:
    print(item)

   
   
   
   

列表： 如果传入一个列表，BeautifulSoup4将会与列表中的任一元素匹配到的节点返回

t_list = bs.find_all(["meta","link"])
for item in t_list:
    print(item)

   
   
   
   

方法： 传入一个方法，根据方法来匹配

def name_is_exists(tag):
    return tag.has_attr("name")

t_list = bs.find_all(name_is_exists)
for item in t_list:
print(item)

（2）kwargs参数：

# 查询id=head的Tag
t_list = bs.find_all(id="head")
print(t_list)

查询href属性包含ss1.bdstatic.com的Tag

t_list = bs.find_all(href=re.compile(“http://news.baidu.com”))
print(t_list)

查询所有包含class的Tag(注意：class在Python中属于关键字，所以加_以示区别)

t_list = bs.find_all(class_=True)
for item in t_list:
print(item)

（3）attrs参数：

并不是所有的属性都可以使用上面这种方式进行搜索，比如HTML的data-*属性，我们可以使用attrs参数，定义一个字典来搜索包含特殊属性的tag：

t_list = bs.find_all(attrs={"data-foo":"value"})
for item in t_list:
    print(item)

   
   
   
   

（4）text参数：
通过text参数可以搜索文档中的字符串内容，与name参数的可选值一样。
text参数接受 字符串，正则表达式，列表

t_list = bs.find_all(attrs={"data-foo": "value"})
for item in t_list:
    print(item)

t_list = bs.find_all(text=“hao123”)
for item in t_list:
print(item)

t_list = bs.find_all(text=[“hao123”, “地图”, “贴吧”])
for item in t_list:
print(item)

t_list = bs.find_all(text=re.compile("\d"))
for item in t_list:
print(item)

（5）limit参数：
传入一个limit参数来限制返回的数量
例如下列放回数量为2

t_list = bs.find_all("a",limit=2)
for item in t_list:
    print(item)

   
   
   
   

2.find（）
返回符合条件的第一个Tag
即当我们要取一个值的时候就可以用这个方法

t = bs.div.div

等价于

t = bs.find(“div”).find(“div”)

八、CSS选择器

（1）通过标签名查找

print(bs.select('title'))

print(bs.select(‘a’))

（2）通过类名查找

print(bs.select('.mnav'))

   
   
   
   

（3）通过id查找

print(bs.select('#u1'))

   
   
   
   

（4）组合查找

print(bs.select('div .bri'))

   
   
   
   

（5）属性查找

print(bs.select('a[class="bri"]'))
print(bs.select('a[href="http://tieba.baidu.com"]'))

   
   
   
   

（6）获取内容

t_list = bs.select("title")
print(bs.select('title')[0].get_text())