Python 爬虫利器二之 Beautiful Soup 的用法

上一节我们介绍了正则表达式，它的内容其实还是蛮多的，如果一个正则匹配稍有差池，那可能程序就处在永久的循环之中，而且有的小伙伴们也对写正则表达式的写法用得不熟练，没关系，我们还有一个更强大的工具，叫 Beautiful Soup，有了它我们可以很方便地提取出 HTML 或 XML 标签中的内容，实在是方便，这一节就让我们一起来感受一下 Beautiful Soup 的强大吧。

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。 可以利用 pip 或者 easy_install 来安装，以下两种方法均可

1	easy_install beautifulsoup4

1	pip install beautifulsoup4

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 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

然后需要安装 lxml

1	easy_install lxml

1	pip install lxml

另一个可供选择的解析器是纯 Python 实现的 html5lib , html5lib 的解析方式与浏览器相同，可以选择下列方法来安装 html5lib:

1	easy_install html5lib

1	pip install html5lib

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。

解析器

使用方法

优势

劣势

Python 标准库

BeautifulSoup(markup, “html.parser”)

• Python 的内置标准库
• 执行速度适中

• 文档容错能力强

• Python 2.7.3 or 3.2.2) 前 的版本中文档容错能力差

lxml HTML 解析器

BeautifulSoup(markup, “lxml”)

• 速度快

• 文档容错能力强

• 需要安装 C 语言库

lxml XML 解析器

BeautifulSoup(markup, [“lxml”, “xml”])BeautifulSoup(markup, “xml”)

• 速度快

• 唯一支持 XML 的解析器

• 需要安装 C 语言库

html5lib

BeautifulSoup(markup, “html5lib”)

• 最好的容错性
• 以浏览器的方式解析文档

• 生成 HTML5 格式的文档

• 速度慢

• 不依赖外部扩展

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

1 2 3 4 5 6 7 8 9 10 11

html = """ The Dormouse's story Once upon a time there were three little sisters; and their names were , Lacie and Tillie; and they lived at the bottom of a well. ... """

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	print soup.prettify()

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

The Dormouse's story Once upon a time there were three little sisters; and their names were , Lacie and Tillie ; and they lived at the bottom of a well. ...

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:

• Tag
• NavigableString
• BeautifulSoup
• Comment

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

1

Elsie

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

1 2	print soup.title #

1 2	print soup.head #

1 2	print soup.a #

1 2	print soup.p # The Dormouse's story

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 name

1 2 3 4

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。 attrs

1 2	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 # The Dormouse's story

还可以对这个属性进行删除，例如

1 2 3

del soup.p['class'] print soup.p # The Dormouse's story

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。 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

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	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	for child in soup.body.children: print child

1 2 3 4 5 6 7 8 9 10

The Dormouse's story Once upon a time there were three little sisters; and their names were , Lacie and Tillie; and they lived at the bottom of a well. ...

（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 51 52 53 54

The Dormouse's story Once upon a time there were three little sisters; and their names were , Lacie and Tillie; and they lived at the bottom of a well. ... The Dormouse's story The Dormouse's story Once upon a time there were three little sisters; and their names were , Lacie and Tillie; and they lived at the bottom of a well. ... The Dormouse's story The Dormouse's story The Dormouse's story Once upon a time there were three little sisters; and their names were , Lacie and Tillie; and they lived at the bottom of a well. Once upon a time there were three little sisters; and their names were Elsie , Lacie Lacie and Tillie Tillie ; and they lived at the bottom of a well. ... ...

（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

1 2 3

p = soup.p print p.parent.name #body

1 2 3

content = soup.head.title.string print content.parent.name #title

（6）全部父节点

知识点：.parents 属性

通过元素的 .parents 属性可以递归得到元素的所有父辈节点，例如

1 2 3

content = soup.head.title.string for parent in content.parents: print parent.name

1 2 3 4

title head html [document]

（7）兄弟节点

知识点：.next_sibling .previous_sibling 属性

兄弟节点可以理解为和本节点处在统一级的节点，.next_sibling 属性获取了该节点的下一个兄弟节点，.previous_sibling 则与之相反，如果节点不存在，则返回 None 注意：实际文档中的 tag 的 .next_sibling 和 .previous_sibling 属性通常是字符串或空白，因为空白或者换行也可以被视作一个节点，所以得到的结果可能是空白或者换行

1 2 3 4 5 6 7 8 9 10 11

print soup.p.next_sibling # 实际该处为空白 print soup.p.prev_sibling #None 没有前一个兄弟节点，返回 None print soup.p.next_sibling.next_sibling # Once upon a time there were three little sisters; and their names were #, #Lacie and #Tillie; #and they lived at the bottom of a well. #下一个节点的下一个兄弟节点是我们可以看到的节点

（8）全部兄弟节点

知识点：.next_siblings .previous_siblings 属性

通过 .next_siblings 和 .previous_siblings 属性可以对当前节点的兄弟节点迭代输出

1 2 3 4 5 6 7 8

for sibling in soup.a.next_siblings: print(repr(sibling)) # u',\n' # Lacie # u' and\n' # Tillie # u'; and they lived at the bottom of a well.' # None

（9）前后节点

知识点：.next_element .previous_element 属性

与 .next_sibling .previous_sibling 不同，它并不是针对于兄弟节点，而是在所有节点，不分层次 比如 head 节点为

1

那么它的下一个节点便是 title，它是不分层次关系的

1 2	print soup.head.next_element #

（10）所有前后节点

知识点：.next_elements .previous_elements 属性

通过 .next_elements 和 .previous_elements 的迭代器就可以向前或向后访问文档的解析内容，就好像文档正在被解析一样

1 2 3 4 5 6 7 8 9

for element in last_a_tag.next_elements: print(repr(element)) # u'Tillie' # u';\nand they lived at the bottom of a well.' # u'\n\n' # ... # u'...' # u'\n' # None

以上是遍历文档树的基本用法。

7. 搜索文档树

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

find_all () 方法搜索当前 tag 的所有 tag 子节点，并判断是否符合过滤器的条件 1）name 参数 name 参数可以查找所有名字为 name 的 tag, 字符串对象会被自动忽略掉 A. 传字符串 最简单的过滤器是字符串。在搜索方法中传入一个字符串参数，Beautiful Soup 会查找与字符串完整匹配的内容，下面的例子用于查找文档中所有的标签

1 2	soup.find_all('b') # [The Dormouse's story]

1 2	print soup.find_all('a') #[, Lacie, Tillie]

B. 传正则表达式 如果传入正则表达式作为参数，Beautiful Soup 会通过正则表达式的 match () 来匹配内容。下面例子中找出所有以 b 开头的标签，这表示 和标签都应该被找到

1 2 3 4 5

import re for tag in soup.find_all(re.compile("^b")): print(tag.name) # body # b

C. 传列表 如果传入列表参数，Beautiful Soup 会将与列表中任一元素匹配的内容返回。下面代码找到文档中所有标签和标签

1 2 3 4 5

soup.find_all(["a", "b"]) # [The Dormouse's story, # Elsie, # Lacie, # Tillie]

D. 传 True True 可以匹配任何值，下面代码查找到所有的 tag, 但是不会返回字符串节点

1 2 3 4 5 6 7 8 9 10 11

for tag in soup.find_all(True): print(tag.name) # html # head # title # body # p # b # p # a # a

E. 传方法 如果没有合适过滤器，那么还可以定义一个方法，方法只接受一个元素参数 [4] , 如果这个方法返回 True 表示当前元素匹配并且被找到，如果不是则反回 False 下面方法校验了当前元素，如果包含 class 属性却不包含 id 属性，那么将返回 True:

1 2	def has_class_but_no_id(tag): return tag.has_attr('class') and not tag.has_attr('id')

将这个方法作为参数传入 find_all () 方法，将得到所有

标签:

1 2 3 4

soup.find_all(has_class_but_no_id) # [ The Dormouse's story , # Once upon a time there were... , # ... ]

2）keyword 参数

注意：如果一个指定名字的参数不是搜索内置的参数名，搜索时会把该参数当作指定名字 tag 的属性来搜索，如果包含一个名字为 id 的参数，Beautiful Soup 会搜索每个 tag 的”id” 属性

1 2	soup.find_all(id='link2') # [Lacie]

如果传入 href 参数，Beautiful Soup 会搜索每个 tag 的”href” 属性

1 2	soup.find_all(href=re.compile("elsie")) # [Elsie]

使用多个指定名字的参数可以同时过滤 tag 的多个属性

1 2	soup.find_all(href=re.compile("elsie"), id='link1') # [three]

在这里我们想用 class 过滤，不过 class 是 python 的关键词，这怎么办？加个下划线就可以

1 2 3 4

soup.find_all("a", class_="sister") # [Elsie, # Lacie, # Tillie]

有些 tag 属性在搜索不能使用，比如 HTML5 中的 data-* 属性

1 2 3

data_soup = BeautifulSoup(' foo! ') data_soup.find_all(data-foo="value") # SyntaxError: keyword can't be an expression

但是可以通过 find_all () 方法的 attrs 参数定义一个字典参数来搜索包含特殊属性的 tag

1 2	data_soup.find_all(attrs={"data-foo": "value"}) # [ foo! ]

3）text 参数 通过 text 参数可以搜搜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，True

1 2 3 4 5 6 7 8

soup.find_all(text="Elsie") # [u'Elsie'] soup.find_all(text=["Tillie", "Elsie", "Lacie"]) # [u'Elsie', u'Lacie', u'Tillie'] soup.find_all(text=re.compile("Dormouse")) [u"The Dormouse's story", u"The Dormouse's story"]

4）limit 参数 find_all () 方法返回全部的搜索结构，如果文档树很大那么搜索会很慢。如果我们不需要全部结果，可以使用 limit 参数限制返回结果的数量。效果与 SQL 中的 limit 关键字类似，当搜索到的结果数量达到 limit 的限制时，就停止搜索返回结果。文档树中有 3 个 tag 符合搜索条件，但结果只返回了 2 个，因为我们限制了返回数量

1 2 3

soup.find_all("a", limit=2) # [Elsie, # Lacie]

5）recursive 参数 调用 tag 的 find_all () 方法时，Beautiful Soup 会检索当前 tag 的所有子孙节点，如果只想搜索 tag 的直接子节点，可以使用参数 recursive=False . 一段简单的文档:

1 2 3 4 5 6 7

...

是否使用 recursive 参数的搜索结果:

1 2 3 4 5

soup.html.find_all("title") # [] soup.html.find_all("title", recursive=False) # []

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

它与 find_all () 方法唯一的区别是 find_all () 方法的返回结果是值包含一个元素的列表，而 find () 方法直接返回结果

（3）find_parents() find_parent()

find_all () 和 find () 只搜索当前节点的所有子节点，孙子节点等. find_parents () 和 find_parent () 用来搜索当前节点的父辈节点，搜索方法与普通 tag 的搜索方法相同，搜索文档搜索文档包含的内容

（4）find_next_siblings() find_next_sibling()

这 2 个方法通过 .next_siblings 属性对当 tag 的所有后面解析的兄弟 tag 节点进行迭代，find_next_siblings () 方法返回所有符合条件的后面的兄弟节点，find_next_sibling () 只返回符合条件的后面的第一个 tag 节点

（5）find_previous_siblings() find_previous_sibling()

这 2 个方法通过 .previous_siblings 属性对当前 tag 的前面解析的兄弟 tag 节点进行迭代，find_previous_siblings () 方法返回所有符合条件的前面的兄弟节点，find_previous_sibling () 方法返回第一个符合条件的前面的兄弟节点

（6）find_all_next() find_next()

这 2 个方法通过 .next_elements 属性对当前 tag 的之后的 tag 和字符串进行迭代，find_all_next () 方法返回所有符合条件的节点，find_next () 方法返回第一个符合条件的节点

（7）find_all_previous () 和 find_previous ()

这 2 个方法通过 .previous_elements 属性对当前节点前面的 tag 和字符串进行迭代，find_all_previous () 方法返回所有符合条件的节点，find_previous () 方法返回第一个符合条件的节点

注：以上（2）（3）（4）（5）（6）（7）方法参数用法与 find_all () 完全相同，原理均类似，在此不再赘述。

8.CSS 选择器

我们在写 CSS 时，标签名不加任何修饰，类名前加点，id 名前加 #，在这里我们也可以利用类似的方法来筛选元素，用到的方法是 soup.select()，返回类型是 list

（1）通过标签名查找

1 2	print soup.select('title')  #[]

1 2	print soup.select('a') #[, Lacie, Tillie]

1 2	print soup.select('b') #[The Dormouse's story]

（2）通过类名查找

1 2	print soup.select('.sister') #[, Lacie, Tillie]

（3）通过 id 名查找

1 2	print soup.select('#link1') #[]

（4）组合查找

组合查找即和写 class 文件时，标签名与类名、id 名进行的组合原理是一样的，例如查找 p 标签中，id 等于 link1 的内容，二者需要用空格分开

1 2	print soup.select('p #link1') #[]

直接子标签查找

1 2	print soup.select("head > title") #[]

（5）属性查找

查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到。

1 2	print soup.select('a[class="sister"]') #[, Lacie, Tillie]

1 2	print soup.select('a[href="http://example.com/elsie"]') #[]

同样，属性仍然可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格

1 2	print soup.select('p a[href="http://example.com/elsie"]') #[]

以上的 select 方法返回的结果都是列表形式，可以遍历形式输出，然后用 get_text () 方法来获取它的内容。

1 2 3 4 5 6

soup = BeautifulSoup(html, 'lxml') print type(soup.select('title')) print soup.select('title')[0].get_text() for title in soup.select('title'): print title.get_text()

好，这就是另一种与 find_all 方法有异曲同工之妙的查找方法，是不是感觉很方便？

总结

本篇内容比较多，把 Beautiful Soup 的方法进行了大部分整理和总结，不过这还不算完全，仍然有 Beautiful Soup 的修改删除功能，不过这些功能用得比较少，只整理了查找提取的方法，希望对大家有帮助！小伙伴们加油！ 熟练掌握了 Beautiful Soup，一定会给你带来太多方便，加油吧！