Beautifulsoup小结

Beautifulsoup小结

---

参考链接：https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/#id14

什么是Beautifulsoup

Beautifulsoup是用python写的HTML/XML解析器，它可以很好的处理不规范标记并生成剖析树(parse tree)。

系统说明：centos7 linux环境

- 安装

pip install beautifulsoup4
easy_install beautifulsoup4

- 主要解析器及其优缺点

解析器	使用方法	优势	劣势
Python标准库	BeautifulSoup(markup, "html.parser")	1.Python的内置标准库；2.执行速度适中；3.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")	1.速度快；2.文档容错能力强	需要安装C语言库
lxml XML 解析器	1.BeautifulSoup(markup, ["lxml-xml"]);2.BeautifulSoup(markup, "xml")	1.速度快;2.唯一支持XML的解析器	需要安装C语言库
html5lib	BeautifulSoup(markup, "html5lib")	1.最好的容错性;2.以浏览器的方式解析文档;3.生成HTML5格式的文档	1.速度慢;2.不依赖外部扩展

推荐使用lxml作为解析器，效率更高

---

使用

对于本地文档的解析方法

from bs4 import BeautifulSoup
soup = BeautifulSoup(open("XXX.html"), 'lxml')
soup = BeautifulSoup("data")

详细解析（匹配）使用方法

1. Tag标签

注意事项：soup.b # 只能获取第一个b标签
soup.find_all('b') # 获取所有b标签

• 获取tag数据：soup.b

soup = BeautifulSoup('Extremely boldExtremely bold1
test
','lxml')
tag = soup.b  # 只能获取第一个b标签   
print(tag)
# 输出为：Extremely bold
print(type(tag))
# 输出为：

• 获取标签名：tag.name

soup = BeautifulSoup('Extremely boldExtremely bold1
test
','lxml')
tag = soup.b
print(tag.name)
# 输出为：b
 

• 获取标签中属性值：tag['class']

soup = BeautifulSoup('Extremely boldExtremely bold1
test
','lxml')
tag = soup.b
print(tag['class'])
# 输出为：['boldest']
 

• 获取标签中属性名及其值：tag.attrs

注意：XML中不包含多值属性

soup = BeautifulSoup('Extremely boldExtremely bold1
test
','lxml')
tag = soup.b
print(tag['class'])
# 输出为：['boldest', 'mybold']
print(tag['id'])
# 输出为：bold dd
print(tag.attrs)
# 输出为：{'class': ['boldest', 'mybold'], 'id': 'bold dd'}

• 修改标签中的属性 ：tag['class'] = 'change'/tag['class'] = 'change muil' /也可以写为tag['class'] = ['change','muil']

soup = BeautifulSoup('Extremely boldExtremely bold1
test
','lxml')
tag = soup.b
tag['class'] = 'change'
tag['id'] = '1'
print(soup)
# 输出为：Extremely boldExtremely bold1
test
tag['class'] = 'change muil'  # 也可以写为tag['class'] = ['change','muil']
tag['id'] = '1'
print(soup)
# 输出为：Extremely boldExtremely bold1
test

• 删除标签中的属性：del tag['class']

soup = BeautifulSoup('Extremely boldExtremely bold1
test
','lxml')
tag = soup.b
del tag['class']
del tag['id']
print(soup)
# 输出为：Extremely boldExtremely bold1
test
print(tag['class'])
# KeyError: 'class'
print(tag.get('class'))
# 输出为：None

2. 文本内容

• 获取文本值：tag.string

soup = BeautifulSoup('Extremely boldExtremely bold1
test
','lxml')
tag = soup.b
print(tag.string)
# 输出为：Extremely bold
print(soup.string)
# 输出为：None

• 替换文本内容:tag.string.replace_with("repalced")

soup = BeautifulSoup('Extremely boldExtremely bold1
test
','lxml')
tag = soup.b
tag.string.replace_with("repalced")
print(tag)
# 输出为：repalced

总结:
soup.a之类只查找第一个；

soup.find_all('a')查找所有；

• 以列表形式输出tag直接子节点:head.contents

soup = BeautifulSoup("",'lxml')
head = soup.head
print(head)
# 输出为：
print(head.contents)
# 输出为：[]
print(head.contents[0].contents)
# 输出为：["The Dormouse's story"]

• 对tag直接子节点进行循环(生成器类型)：for i in head.children

soup = BeautifulSoup("",'lxml')
head = soup.head
print(head)
# 输出为：
for i in head.children:
    print(i)
# 输出为：

• 对所有子孙节点进行循环（生成器）:for i in head.descendants

soup = BeautifulSoup("",'lxml')
head = soup.head
print(head)
# 输出为：
for i in head.descendants:
    print(i)
# 输出为：
# 
# The Dormouse's story

• 对所有文本内容进行循环（生成器）:for i in head.strings

soup = BeautifulSoup("
ppppp
",'lxml')
head = soup.html
print(head)
# 输出为：
ppppp
for i in head.strings:
    print(i)
# 输出为：
# The Dormouse's story
# ppppp

• 对所有文本内容进行循环,并去除多余空格或空行：for i in head.stripped_strings

soup = BeautifulSoup("
ppppp
",'lxml')
head = soup.html
print(head)
for i in head.stripped_strings:
    print(i)
# 输出为：
#   The Dormouse's   story
# ppppp

• 获取某个元素的直属父节点：head.parent

html.parent是beautifulsoup对象，输出整个内容
soup.parent为None

soup = BeautifulSoup("
ppppp
",'lxml')
print(soup)
# 输出为：
ppppp
head = soup.p
print(soup.p.string)
# 输出为：ppppp
print(soup.p.string.parent)
# 输出为：
ppppp
print(head.parent)
# 输出为：
ppppp
print(soup.html.parent)
# 输出为：
ppppp

• 获取某个节点的所有父节点(生成器)：for i in head.parents

soup = BeautifulSoup("
ppppp
",'lxml')
print(soup)
# 输出为：
ppppp
head = soup.p
print(head.parents)
# 输出为：
for i in head.parents:
    print(i)
# 父节点----输出：
# body-----
ppppp
# html-----
ppppp
# soup-----
ppppp

• 获取兄弟节点（有可能得到换行符和顿号）:
  获取后一个兄弟节点：soup.b.next_sibling
  获取前一个兄弟节点：soup.c.previous_sibling
  获取所有兄弟节点：
  for sibling in soup.a.next_siblings
  for sibling in soup.find(id="link3").previous_siblings

soup = BeautifulSoup("text1text2",'lxml')
print(soup)
# 输出为：text1text2
print(soup.b.next_sibling)
# 输出为：text2
print(soup.c.previous_sibling)
# 输出为：text1

总结：
获取元素直属子节点：head.contents \ head.children
获取元素直属父节点:head.parent
获取元素所有子孙节点:for i in head.descendants
获取元素所有父节点：for i in head.parents
获取兄弟节点：.next_sibling / .previous_sibling
获取所有兄弟节点：.next_siblings / .previous_siblings
获取某一个元素 soup.a
获取所有元素 soup('a')
获取某一文本内容 soup.string
获取所有文本内容 for i in head.strings

---

• 搜索：

find_all

说明1：调用tag的 find_all()方法时,BeautifulSoup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 .

说明2：soup.find_all("a")与soup("a")等价

说明3：find方法只返回第一个

查找所有b标签：soup.find_all('b')
查找所有以b开头的标签：soup.find_all(re.compile("^b"))
查找所有包含d的标签：soup.find_all(re.compile("d"))
查找所有a和b标签：soup.find_all(["a", "b"])
查找所有p标签中class值为myclass的标签：soup.find_all("b1", "myclass")
查找p标签中id值为myid的标签：soup.find_all("b1", id_="myid")
查找id为link2的标签：soup.find_all(id_="myid")
查找文本内容包含sister的文本值（注意：输出的不是整个标签，只有文本）：soup.find(string=re.compile("text"))
soup.find_all(string=["Tillie", "Elsie", "Lacie"])
查找所有href中包含elsie的标签：soup.find_all(href=re.compile("elsie"))
匹配任何值：soup.find_all(True)
soup.find_all(id=True)
多参数过滤：soup.find_all(href=re.compile("elsie"), id='link1')
数量限制：soup.find_all("a", limit=2)

soup = BeautifulSoup("text1text2",'lxml')
print(soup.find_all('b'))
# 输出为：[text1text2]
print(soup.find_all(re.compile("^b")))
# 输出为：[text1text2, text1text2, text1, text2]
print(soup.find_all(re.compile('d')))
# 输出为：[text1text2]
print(soup.find_all(["a", "b"]))
# 输出为：[text1text2, text1text2]

data_soup.find_all(data-foo="value")会报错
data_soup.find_all(attrs={"data-foo": "value"})这样就可以啦～
soup.find_all("a", attrs={"class": "sister"})

find_parents() 与 find_parent()

说明：find_parents()为列表，find_parent()则不是，但二者文本

find_next_siblings() 与 find_next_sibling()
说明: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.

find_previous_siblings() 与 find_previous_sibling()
说明: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

find_all_next() 与 find_next()
说明: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

find_all_previous() 与 find_previous()
说明1: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.
说明2:find_all_previous("p") 返回了文档中的第一段(class=”title”的那段),但还返回了第二段,

标签包含了我们开始查找的标签.不要惊讶,这段代码的功能是查找所有出现在指定标签之前的

标签,因为这个

标签包含了开始的标签,所以

标签一定是在之前出现的.

html_doc = """


The Dormouse's story

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


...
"""

from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc, 'html.parser')
print(soup.prettify())

a_string = soup.find(string="Lacie")
print(a_string)
# Lacie

a = a_string.find_parents("a")
print(a)
# [Lacie]

p = a_string.find_parent("p")
print(p)
# 
Once upon a time there were three little sisters; and their names were
#  Elsie,
#  Lacie and
#  Tillie;
# 
Laci
 and
#  and they lived at the bottom of a well.


p1 = a_string.find_parents("p", class_="title")
print(p1)
# []

first_link = soup.a
first_link
# Elsie

first_link.find_all_previous("p")
# [
Once upon a time there were three little sisters; ...
,
#  
The Dormouse's story
]

first_link.find_previous("title")
# 

select

通过tag标签逐层查找:soup.select("body a")\soup.select("html head title")
找到某个tag标签下的直接子标签:soup.select("p > a")
soup.select("p > a:nth-of-type(2)")
soup.select("p > #link1")
找到兄弟节点标签:soup.select("#link1 ~ .sister") 找所有
soup.select("#link1 + .sister") 找第一个
通过CSS的类名查找:soup.select(".sister")\soup.select("[class~=sister]")
通过tag的id查找:soup.select("#link1")\soup.select("a#link2")\soup.select("#link1,#link2")
通过是否存在某个属性来查找:soup.select('a[href]')
通过属性的值来查找:soup.select('a[href="http://example.com/elsie"]') 精确查找
soup.select('a[href^="http://example.com/"]') 开头匹配查找
soup.select('a[href$="tillie"]') 结尾匹配查找
soup.select('a[href*=".com/el"]') 中间匹配查找
查找第一个:soup.select_one(".sister")

• 获取文本
  获取文本:soup.get_text()
  以指定分隔符获取文本:soup.get_text("|")
  以指定分隔符获取文本并去除文本前后空白:soup.get_text("|", strip=True)
  使用 .stripped_strings 生成器,获得文本列表后手动处理列表:[text for text in soup.stripped_strings]

• 方法
  校验当前元素，包含 class 属性却不包含 id 属性,并查找所有符合该方法的标签

def has_class_but_no_id(tag):
    return tag.has_attr('class') and not tag.has_attr('id')
print(soup.find_all(has_class_but_no_id))

找出所有href属性不符合指定正则的标签

def not_lacie(href):
    return href and not re.compile("lacie").search(href)
print(soup.find_all(href=not_lacie))

找出前后均有文字的标签

from bs4 import NavigableString
def surrounded_by_strings(tag):
    return (isinstance(tag.next_element, NavigableString)
            and isinstance(tag.previous_element, NavigableString))
for tag in soup.find_all(surrounded_by_strings):
    print(tag)

根据class长度进行匹配

def has_six_characters(css_class):
    return css_class is not None and len(css_class) == 6
print(soup.find_all(class_=has_six_characters))

• 修改
  删除:del tag \ del tag['class']
  修改: =
  扩展:append("Bar")

soup = BeautifulSoup("Foo")
soup.a.append("Bar")

soup
# FooBar
soup.a.contents
# [u'Foo', u'Bar']

增加: append(new_string) 或 NavigableString(" there")

soup = BeautifulSoup("")
tag = soup.b
tag.append("Hello")
new_string = NavigableString(" there")
tag.append(new_string)
tag
# Hello there.
tag.contents
# [u'Hello', u' there']

增加注释: soup.new_string("Nice to see you.", Comment)

from bs4 import Comment
new_comment = soup.new_string("Nice to see you.", Comment)
tag.append(new_comment)
tag
# Hello there
tag.contents
# [u'Hello', u' there', u'Nice to see you.']

创建tag: soup.new_tag("a", href="http://www.example.com")

soup = BeautifulSoup("")
original_tag = soup.b

new_tag = soup.new_tag("a", href="http://www.example.com")
original_tag.append(new_tag)
original_tag
# 

new_tag.string = "Link text."
original_tag
# Link text.

添加到末尾:append()
添加到指定位置:insert()
在当前tag或文本节点前插入内容:soup.b.string.insert_before(tag) 在b.string前添加tag
在当前tag或文本节点后插入内容:soup.b.i.insert_after(soup.new_string(" ever "))

markup = 'I linked to example.com'
soup = BeautifulSoup(markup)
tag = soup.a

tag.insert(1, "but did not endorse ")
tag
# I linked to but did not endorse example.com
tag.contents
# [u'I linked to ', u'but did not endorse', example.com]

移除当前tag的内容:tag.clear()
将当前tag移除文档树,并作为方法结果返回(即将删除后的文档树返回):x = soup.i.extract()
将当前节点移除文档树并完全销毁:soup.i.decompose()
移除文档树中的某段内容,并用新tag或文本节点替代它:a_tag.i.replace_with(new_tag)
x = a_tag.i.replace_with(new_tag) 返回被替代的节点
对指定的tag元素进行包装,并返回包装后的结果:soup.p.string.wrap(soup.new_tag("b"))
移除tag内的所有tag标签(不删除文本),该方法常被用来进行标记的解包:a_tag.i.unwrap()
x = a_tag.i.unwrap() 返回被移除的标签

• 输出
  格式化输出:soup.prettify()
• 编码检测
• beautifulsoup会自动识别并猜测编码格式
  编码自动识别:soup.original_encoding
  指定编码方式:soup = BeautifulSoup(markup, from_encoding="iso-8859-8")
  排除该项猜测编码:soup = BeautifulSoup(markup, exclude_encodings=["ISO-8859-7"])
  编码方式传入prettify()方法:soup.prettify("latin-1")
  子节点编码:soup.p.encode("utf-8")