BeautifulSoup用法讲解
BeautifulSoup的使用讲解
文章转自：python beautiful soup库的超详细用法
1. Beautiful Soup 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。
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
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。下载完成之后解压，运行下面的命令即可完成安装
sudo python setup.py install
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:
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 |
3. 创建 Beautiful Soup 对象
首先必须要导入 bs4 库
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
-
html = """
-
<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 href="http://example.com/elsie" class="sister" id="link1">
a>,
-
<a href="http://example.com/lacie" class="sister" id="link2">Lacie
a> and
-
<a href="http://example.com/tillie" class="sister" id="link3">Tillie
a>;
-
and they lived at the bottom of a well.
p>
-
<p class="story">...
p>
-
"""
soup = BeautifulSoup(html)
soup = BeautifulSoup(open('index.html'))
print soup.prettify()
指定编码：当html为其他类型编码（非utf-8和asc ii），比如GB2312的话，则需要指定相应的字符编码，BeautifulSoup才能正确解析。
-
htmlCharset =
"GB2312"
-
soup = BeautifulSoup(respHtml, fromEncoding=htmlCharset)
-
#!/usr/bin/python
-
# -*- coding: UTF-8 -*-
-
from bs4
import BeautifulSoup
-
import re
-
-
#待分析字符串
-
html_doc =
"""
-
-
-
The Dormouse's story
-
-
-
-
-
The Dormouse's story
-
-
-
-
Once upon a time there were three little sisters; and their names were
-
-
-
and
-
-
and they lived at the bottom of a well.
-
-
-
...
-
"""
-
-
# html字符串创建BeautifulSoup对象
-
soup = BeautifulSoup(html_doc,
'html.parser', from_encoding=
'utf-8')
-
-
#输出第一个 title 标签
-
print soup.title
-
-
#输出第一个 title 标签的标签名称
-
print soup.title.name
-
-
#输出第一个 title 标签的包含内容
-
print soup.title.string
-
-
#输出第一个 title 标签的父标签的标签名称
-
print soup.title.parent.name
-
-
#输出第一个 p 标签
-
print soup.p
-
-
#输出第一个 p 标签的 class 属性内容
-
print soup.p[
'class']
-
-
#输出第一个 a 标签的 href 属性内容
-
print soup.a[
'href']
-
'''
-
soup的属性可以被添加,删除或修改. 再说一次, soup的属性操作方法与字典一样
-
'''
-
#修改第一个 a 标签的href属性为 http://www.baidu.com/
-
soup.a[
'href'] =
'http://www.baidu.com/'
-
-
#给第一个 a 标签添加 name 属性
-
soup.a[
'name'] =
u'百度'
-
-
#删除第一个 a 标签的 class 属性为
-
del soup.a[
'class']
-
-
##输出第一个 p 标签的所有子节点
-
print soup.p.contents
-
-
#输出第一个 a 标签
-
print soup.a
-
-
#输出所有的 a 标签，以列表形式显示
-
print soup.find_all(
'a')
-
-
#输出第一个 id 属性等于 link3 的 a 标签
-
print soup.find(id=
"link3")
-
-
#获取所有文字内容
-
print(soup.get_text())
-
-
#输出第一个 a 标签的所有属性信息
-
print soup.a.attrs
-
-
for link
in soup.find_all(
'a'):
-
#获取 link 的 href 属性内容
-
print(link.get(
'href'))
-
-
#对soup.p的子节点进行循环输出
-
for child
in soup.p.children:
-
print(child)
-
-
#正则匹配，名字中带有b的标签
-
for tag
in soup.find_all(re.compile(
"b")):
-
print(tag.name)
-
Soup = BeautifulSoup(html)#其中html 可以是字符串，也可以是句柄
需要注意的是，BeautifulSoup会自动检测传入文件的编码格式，然后转化为Unicode格式
通过如上两句话，BS自动把文档生成为如上图中的解析树。
4. 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:
1. Tag
2. NavigableString
3. BeautifulSoup
4. Comment 
（1）Tag
Tag 是什么？通俗点讲就是 HTML 中的一个个标签，例如
-
<title>The Dormouse's story
title>
-
<a class="sister" href="http://example.com/elsie" id="link1">Elsie
a>
下面每一段代码中注释部分即为运行结果
-
print soup.title
-
#
The Dormouse's story
-
-
print soup.head
-
#
The Dormouse's story
-
-
print soup.a
-
-
-
print soup.p
-
#
The Dormouse's story
我们可以验证一下这些对象的类型
-
print type(soup.a)
-
#
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。
attrs
-
print soup.p.attrs
-
#{'class': ['title'], 'name': 'dromouse'}
-
print soup.p[
'class']
-
#['title']
-
print soup.p.get(
'class')
-
#['title']
-
soup.p[
'class']=
"newClass"
-
print soup.p
-
#
The Dormouse's story
-
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
-
head = soup.find(
'head')
-
#head = soup.head
-
#head = soup.contents[0].contents[0]
-
print head
-
-
html = soup.contents[
0]
# ...
-
head = html.contents[
0]
# ...
-
body = html.contents[
1]
# ...
或者Tag.name这样访问特定属性值，如果是多值属性则以列表形式返回。
（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
-
print soup.p.string
-
#The Dormouse's story
-
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
-
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
-
print soup.a
-
print soup.a.string
-
print type(soup.a.string)
-
-
Elsie
-
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
-
if type(soup.a.string)==bs4.element.Comment:
-
print soup.a.string
5. 遍历文档树
（1）直接子节点
Tag.Tag_child1：直接通过下标名称访问子节点。
Tag.contents：以列表形式返回所有子节点。
Tag.children：生成器，可用于循环访问：for child in Tag.children
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。可以使用 [num] 的形式获得。使用contents向后遍历树，使用parent向前遍历树
-
print soup.head.contents
-
#[
The Dormouse's story ]
-
print soup.head.contents[
0]
-
#
The Dormouse's story
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。
可以使用list可以将其转化为列表。当然可以使用for 语句遍历里面的孩子。
-
print soup.head.children
-
#
-
for child
in soup.body.children:
-
print child
-
<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>
（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。
Tag.descendants：生成器，可用于循环访问：for des inTag.descendants
-
for child
in soup.descendants:
-
print child
-
<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
Tag.String：Tag只有一个String子节点是，可以这么访问，否则返回None
Tag.Strings：生成器，可用于循环访问：for str in Tag.Strings
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。如果超过一个标签的话，那么就会返回None。例如
-
print soup.head.string
-
#The Dormouse's story
-
print soup.title.string
-
#The Dormouse's story
-
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
-
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'
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
-
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 使用parent获取父节点。
Tag.parent：父节点
Tag.parents：父到根的所有节点
-
body = soup.body
-
html = body.parent
# html是body的父亲
-
p = soup.p
-
print p.parent.name
-
#body
-
-
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
-
content = soup.head.title.string
-
for parent
in content.parents:
-
print parent.name
-
-
title
-
head
-
html
-
[document]
（7）兄弟节点
知识点：.next_sibling .previous_sibling 属性
使用nextSibling, previousSibling获取前后兄弟
Tag.next_sibling
Tag.next_siblings
Tag.previous_sibling
Tag.previous_siblings
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
.next方法：只能针对单一元素进行.next，或者说是对contents列表元素的挨个清点。
-
比如
-
soup.contents[
1]=
u'HTML'
-
soup.contents[
2]=
u'\n'
则soup.contents[1].next等价于soup.contents[2]
-
head = body.previousSibling
# head和body在同一层，是body的前一个兄弟
-
p1 = body.contents[
0]
# p1, p2都是body的儿子，我们用contents[0]取得p1
-
p2 = p1.nextSibling
# p2与p1在同一层，是p1的后一个兄弟, 当然body.content[1]也可得到
（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
（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
<head><title>The Dormouse's storytitle>head>
-
print soup.head.next_element
-
#
The Dormouse's story
（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
-
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
6.搜索文档树
最常用的是find_all()函数
（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
-
#第一个参数为Tag的名称
-
tag.find_all(‘title’)
-
#得到”
&%^&* ”,结果为一个列表
-
-
第二个参数为匹配的属性
-
tag.find_all(“title”,
class=”sister”)
-
#得到如”<title class = “sister”>%^*&title>
-
-
# 第二个参数也可以为字符串，得到字符串匹配的结果
-
tag.find_all(“title”,”sister”)
-
#得到如”<title class = “sister”>%^*&title>
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
-
soup.find_all(
'b')
-
# [The Dormouse's story]
-
-
print soup.find_all(
'a')
-
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
-
import re
-
for tag
in soup.find_all(re.compile(
"^b")):
-
print(tag.name)
-
# body
-
# b
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
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
-
for tag
in soup.find_all(
True):
-
print(tag.name)
-
# html
-
# head
-
# title
-
# body
-
# p
-
# b
-
# p
-
# a
-
# a
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:
-
def has_class_but_no_id(tag):
-
return tag.has_attr(
'class')
and
not tag.has_attr(
'id')
标签:
-
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
-
soup.find_all(id=
'link2')
-
# [Lacie]
-
soup.find_all(href=re.compile(
"elsie"))
-
# [Elsie]
-
soup.find_all(href=re.compile(
"elsie"), id=
'link1')
-
# [three]
-
data_soup = BeautifulSoup(
'foo!')
-
data_soup.find_all(data-foo=
"value")
-
# SyntaxError: keyword can't be an expression
-
data_soup.find_all(attrs={
"data-foo":
"value"})
-
# [foo!]
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
-
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"]
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
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:
-
-
-
</div>
</div></li>
<li>
<div class="hljs-ln-numbers">
<div class="hljs-ln-line hljs-ln-n"></div>
</div>
<div class="hljs-ln-code">
<div class="hljs-ln-line">
The Dormouse
<span class="hljs-string"><span class="hljs-string">'s story</span></span>
</div>
</div></li>
<li>
<div class="hljs-ln-numbers">
<div class="hljs-ln-line hljs-ln-n"></div>
</div>
<div class="hljs-ln-code">
<div class="hljs-ln-line">
<span class="hljs-string">
-
-
...
-
soup.html.find_all(
"title")
-
# [
The Dormouse's story ]
-
-
soup.html.find_all(
"title", recursive=
False)
-
# []
（2）find(name=None, attrs={}, recursive=True, text=None, **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。
.find('p'),.findAll('p')：find返回的是字符串值，而且是返回从头查找到的第一个tag对。但是如果这第一个tag对包括大量的内容，父等级很高，则同时其内部所包含的，此级标签也全部都find。findAll返回值是个列表，如果发现了一个同名标签内含多个同名标签，则内部的标签一并归于该父标签显示，列表其他元素也不再体现那些内含的同名子标签。即findAll会返回所有符合要求的结果，并以list返回。
-
soup.findAll(οnclick=
'document.location...')
-
soup.findAll(attrs={
'style':
r'outline:none;'})
#用来查找属性中有style='outline:none;的标签体。 # 搜索所有tag
-
tag搜索
-
find(tagname)
# 直接搜索名为tagname的tag 如：find('head')
-
find(list)
# 搜索在list中的tag，如: find(['head', 'body'])
-
find(dict)
# 搜索在dict中的tag，如:find({'head':True, 'body':True})
-
find(re.compile(
''))
# 搜索符合正则的tag, 如:find(re.compile('^p')) 搜索以p开头的tag
-
find(
lambda)
# 搜索函数返回结果为true的tag, 如:find(lambda name: if len(name) == 1) 搜索长度为1的tag
-
find(
True)
# 搜索所有tag
-
-
attrs搜索
-
find(id=
'xxx')
# 寻找id属性为xxx的
-
find(attrs={id=re.compile(
'xxx'), algin=
'xxx'})
# 寻找id属性符合正则且algin属性为xxx的
-
find(attrs={id=
True, algin=
None})
# 寻找有id属性但是没有algin属性的
-
-
resp1 = soup.findAll(
'a', attrs = {
'href': match1})
-
resp2 = soup.findAll(
'h1', attrs = {
'class': match2})
-
resp3 = soup.findAll(
'img', attrs = {
'id': match3})
-
-
text搜索
-
文字的搜索会导致其他搜索给的值如：tag, attrs都失效。方法与搜索tag一致
-
print p1.text
-
# u'This is paragraphone.'
-
print p2.text
-
# u'This is paragraphtwo.'
-
# 注意：1，每个tag的text包括了它以及它子孙的text。2，所有text已经被自动转为unicode，如果需要，可以自行转码encode(xxx)
-
-
recursive和limit属性
-
recursive=
False表示只搜索直接儿子，否则搜索整个子树，默认为
True。
-
当使用findAll或者类似返回list的方法时，limit属性用于限制返回的数量，
-
如:findAll(
'p', limit=
2)： 返回首先找到的两个tag
（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。7. CSS选择器
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
-
print soup.select(
'title')
-
#[
The Dormouse's story ]
-
print soup.select(
'a')
-
-
print soup.select(
'b')
-
#[The Dormouse's story]
（2）通过类名查找
-
print soup.select(
'.sister')
-
（3）通过 id 名查找
-
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
-
print soup.select(
'p #link1')
-
-
print soup.select(
"head > title")
-
#[
The Dormouse's story ]
（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。
-
print soup.select(
'a[class="sister"]')
-
-
print soup.select(
'a[href="http://example.com/elsie"]')
-
-
print soup.select(
'p a[href="http://example.com/elsie"]')
-
-
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()
-
print soup.find_all(
"a", class_=
"sister")
-
print soup.select(
"p.title")
-
-
# 通过属性进行查找
-
print soup.find_all(
"a", attrs={
"class":
"sister"})
-
-
# 通过文本进行查找
-
print soup.find_all(text=
"Elsie")
-
print soup.find_all(text=[
"Tillie",
"Elsie",
"Lacie"])
-
-
# 限制结果个数
-
print soup.find_all(
"a", limit=
2)