Python-bs4库，find_all 函数处理css样式问题

转载自：https://www.jb51.net/article/109782.htm

非常感谢作者：Glumes写的这部分内容；对自己很有帮助！！！

处理css样式问题：见下文【基于 CSS 中的 类 进行搜索】

前言

我们将利用 Beautiful Soup 模块的搜索功能，根据标签名称、标签属性、文档文本和正则表达式来搜索。

搜索方法

Beautiful Soup 内建的搜索方法如下：

• find()
• find_all()
• find_parent()
• find_parents()
• find_next_sibling()
• find_next_siblings()
• find_previous_sibling()
• find_previous_siblings()
• find_previous()
• find_all_previous()
• find_next()
• find_all_next()

使用 find() 方法搜索

首先还是需要建立一个 HTML 文件用来做测试。

 

 

  
plants
  
100000
 
 

  
algae
  
100000
 
 
 

 

  
deer
  
1000
 
 

  
rabbit
  
2000
 
 
 

 

  
fox
  
100
 
 

  
bear
  
100
 
 
 

 

  
lion
  
80
 
 

  
tiger
  
50
 
 

我们可以通过 find() 方法来获得

标签，默认情况下会得到第一个出现的。接着再获取
• 标签，默认情况下还是会得到第一个出现的，接着获得
  标签，通过输出内容来验证是否获取了第一个出现的标签。

  from bs4 import BeautifulSoup
  with open('search.html','r') as filename:
   soup = BeautifulSoup(filename,'lxml')
  first_ul_entries = soup.find('ul')
  print first_ul_entries.li.div.string

  find() 方法具体如下：

  find(name,attrs,recursive,text,**kwargs) 

  正如上代码所示，find() 方法接受五个参数：name、attrs、recursive、text 和 **kwargs 。name 、attrs 和 text 参数都可以在 find() 方法充当过滤器，提高匹配结果的精确度。

  搜索标签

  除了上面代码的搜索

  标签外，我们还可以搜索
  • 标签，返回结果也是返回出现的第一个匹配内容。

    tag_li = soup.find('li')
    # tag_li = soup.find(name = "li")
    print type(tag_li)
    print tag_li.div.string

    搜索文本

    如果我们只想根据文本内容来搜索的话，我们可以只传入文本参数 ：

    search_for_text = soup.find(text='plants')
    print type(search_for_text)
    

    返回的结果也是 NavigableString 对象 。

    根据正则表达式搜索

    如下的一段 HTML 文本内容

    The below HTML has the information that has email ids.
     [email protected] 
    [email protected]
     
     [email protected]

    可以看到 abc@example 邮件地址并没有包括在任何标签内，这样就不能根据标签来找到邮件地址了。这个时候，我们可以使用正则表达式来进行匹配。

    email_id_example = """
     
    The below HTML has the information that has email ids.
     [email protected]
     
    [email protected]
     [email protected]
     """
    email_soup = BeautifulSoup(email_id_example,'lxml')
    print email_soup
    # pattern = "\w+@\w+\.\w+"
    emailid_regexp = re.compile("\w+@\w+\.\w+")
    first_email_id = email_soup.find(text=emailid_regexp)
    print first_email_id

    在使用正则表达式进行匹配时，如果有多个匹配项，也是先返回第一个。

    根据标签属性值搜索

    可以通过标签的属性值来搜索：

    search_for_attribute = soup.find(id='primaryconsumers')
    print search_for_attribute.li.div.string

    根据标签属性值来搜索对大多数属性都是可用的，例如：id、style 和 title 。 

    但是对以下两种情况会有不同：

    • 自定义属性
    • 类 ( class ) 属性

    我们不能再直接使用属性值来搜索了，而是得使用 attrs 参数来传递给 find() 函数。

    根据自定义属性来搜索

    在 HTML5 中是可以给标签添加自定义属性的，例如给标签添加 属性。

    如下代码所示，如果我们再像搜索 id 那样进行操作的话，会报错的，Python 的变量不能包括 - 符号。

    customattr = """
     
    custom attribute example
       """
    customsoup = BeautifulSoup(customattr,'lxml')
    customsoup.find(data-custom="custom")
    # SyntaxError: keyword can't be an expression

    这个时候使用 attrs 属性值来传递一个字典类型作为参数进行搜索：

    using_attrs = customsoup.find(attrs={'data-custom':'custom'})
    print using_attrs

    基于 CSS 中的 类 进行搜索

    对于 CSS 的类属性，由于在 Python 中 class 是个关键字，所以是不能当做标签属性参数传递的，这种情况下，就和自定义属性一样进行搜索。也是使用 attrs 属性，传递一个字典进行匹配 。

    除了使用 attrs 属性之外，还可以使用 class_ 属性进行传递，这样与 class 区别开了，也不会导致错误。

    css_class = soup.find(attrs={'class':'producerlist'})
    css_class2 = soup.find(class_ = "producerlist")
    print css_class
    print css_class2

    使用自定义的函数搜索

    可以给 find() 方法传递一个函数，这样就会根据函数定义的条件进行搜索。 

    函数应该返回 true 或者是 false 值。

    def is_producers(tag):
     return tag.has_attr('id') and tag.get('id') == 'producers'
    tag_producers = soup.find(is_producers)
    print tag_producers.li.div.string

    代码中定义了一个 is_producers 函数，它将检查标签是否具体 id 属性以及属性值是否等于 producers，如果符合条件则返回 true ，否则返回 false 。

    联合使用各种搜索方法

    Beautiful Soup 提供了各种搜索方法，同样，我们也可以联合使用这些方法来进行匹配，提高搜索的准确度。

    combine_html = """
     
    
      Example of p tag with class identical
     
     
    
      Example of div tag with class identical
     
    
     """
    combine_soup = BeautifulSoup(combine_html,'lxml')
    identical_div = combine_soup.find("div",class_="identical")
    print identical_div

    使用 find_all() 方法搜索

    使用 find() 方法会从搜索结果中返回第一个匹配的内容，而 find_all() 方法则会返回所有匹配的项。 

    在 find() 方法中用到的过滤项，同样可以用在 find_all() 方法中。事实上，它们可以用到任何搜索方法中，例如：find_parents() 和 find_siblings() 中 。

    # 搜索所有 class 属性等于 tertiaryconsumerlist 的标签。
    all_tertiaryconsumers = soup.find_all(class_='tertiaryconsumerlist')
    print type(all_tertiaryconsumers)
    for tertiaryconsumers in all_tertiaryconsumers:
     print tertiaryconsumers.div.string

    find_all() 方法为 ：

    find_all(name,attrs,recursive,text,limit,**kwargs)

    它的参数和 find() 方法有些类似，多个了 limit 参数。limit 参数是用来限制结果数量的。而 find() 方法的 limit 就是 1 了。

    同时，我们也能传递一个字符串列表的参数来搜索标签、标签属性值、自定义属性值和 CSS 类。

    # 搜索所有的 div 和 li 标签
    div_li_tags = soup.find_all(["div","li"])
    print div_li_tags
    print
    # 搜索所有类属性是 producerlist 和 primaryconsumerlist 的标签
    all_css_class = soup.find_all(class_=["producerlist","primaryconsumerlist"])
    print all_css_class
    print

    搜索相关标签

    一般情况下，我们可以使用 find() 和 find_all() 方法来搜索指定的标签，同时也能搜索其他与这些标签相关的感兴趣的标签。

    搜索父标签

    可以使用 find_parent() 或者 find_parents() 方法来搜索标签的父标签。 

    find_parent() 方法将返回第一个匹配的内容，而 find_parents() 将返回所有匹配的内容，这一点与 find() 和 find_all() 方法类似。

    # 搜索 父标签
    primaryconsumers = soup.find_all(class_='primaryconsumerlist')
    print len(primaryconsumers)
    # 取父标签的第一个
    primaryconsumer = primaryconsumers[0]
    # 搜索所有 ul 的父标签
    parent_ul = primaryconsumer.find_parents('ul')
    print len(parent_ul)
    # 结果将包含父标签的所有内容
    print parent_ul
    print
    # 搜索,取第一个出现的父标签.有两种操作
    immediateprimary_consumer_parent = primaryconsumer.find_parent()
    # immediateprimary_consumer_parent = primaryconsumer.find_parent('ul')
    print immediateprimary_consumer_parent

    搜索同级标签

    Beautiful Soup 还提供了搜索同级标签的功能。 

    使用函数 find_next_siblings() 函数能够搜索同一级的下一个所有标签，而 find_next_sibling() 函数能够搜索同一级的下一个标签。

    producers = soup.find(id='producers')
    next_siblings = producers.find_next_siblings()
    print next_siblings

    同样，也可以使用 find_previous_siblings() 和 find_previous_sibling() 方法来搜索上一个同级的标签。

    搜索下一个标签

    使用 find_next() 方法将搜索下一个标签中第一个出现的，而 find_next_all() 将会返回所有下级的标签项。

    # 搜索下一级标签
    first_div = soup.div
    all_li_tags = first_div.find_all_next("li")
    print all_li_tags

    搜索上一个标签

    与搜索下一个标签类似，使用 find_previous() 和 find_all_previous() 方法来搜索上一个标签。