解析库之 beautifulsoup模块

Posted lz1996

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了解析库之 beautifulsoup模块相关的知识,希望对你有一定的参考价值。

介绍:Beautiful Soup 是一个可以从html或XML文件中提取数据的Python库.

    它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间.

    Beautiful Soup 3 目前已经停止开发,官网推荐在现在的项目中使用Beautiful Soup 4, 移植到BS4


  1 #安装 Beautiful Soup
  2 pip install beautifulsoup4
  3 
  4 #安装解析器
  5 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,其中一个是 lxml .根据操作系统不同,可以选择下列方法来安装lxml:
  6 
  7 $ apt-get install Python-lxml
  8 
  9 $ easy_install lxml
 10 
 11 $ pip install lxml
 12 
 13 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:
 14 
 15 $ apt-get install Python-html5lib
 16 
 17 $ easy_install html5lib
 18 
 19 $ pip install html5lib

下表列出了主要的解析器,以及它们的优缺点,官网推荐使用lxml作为解析器,因为效率更高. 在Python2.7.3之前的版本和Python3中3.2.2之前的版本,必须安装lxml或html5lib, 因为那些Python版本的标准库中内置的HTML解析方法不够稳定.

技术图片

基本使用

  1 html_doc = """
  2 <html><head><title>The Dormouse‘s story</title></head>
  3 <body>
  4 <p class="title"><b>The Dormouse‘s story</b></p>
  5 
  6 <p class="story">Once upon a time there were three little sisters; and their names were
  7 <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
  8 <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
  9 <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
 10 and they lived at the bottom of a well.</p>
 11 
 12 <p class="story">...</p>
 13 """
 14 
 15 #基本使用:容错处理,文档的容错能力指的是在html代码不完整的情况下,使用该模块可以识别该错误。使用BeautifulSoup解析上述代码,能够得到一个 BeautifulSoup 的对象,并能按照标准的缩进格式的结构输出
 16 from bs4 import BeautifulSoup
 17 soup=BeautifulSoup(html_doc,‘lxml‘) #具有容错功能
 18 res=soup.prettify() #处理好缩进,结构化显示
 19 print(res)

遍历文档树

遍历文档树:即直接通过标签名字选择,特点是选择速度快,但如果存在多个相同的标签则只返回第一个

技术图片
  1 soup = BeautifulSoup(html_doc,"lxml")  #第一个参数指定文本内容,第二个参数解析器
  2 
  3 # soup = BeautifulSoup(open("a.html"),"lxml")   #也可以打开一个文件创建实例
  4 print(soup.prettify())  #容错性的体现,自动补全
  5 print(soup.a)  #只找到了一个,而且是从整个文档树找
  6 print(soup.a.text)   #找到a标签里面的文本
  7 print(soup.text)   #找整个文档树种所有的文本
  8 print(soup.a.attrs)   #找a标签的所有属性,字典形式
  9 print(soup.a.attrs["href"])  #找a标签的href属性
 10 print(soup.p.b)  #嵌套查找,这是只找一个
 11 print(soup.p.contents)  #子节点,找到的是一个闭标签
 12 print(list(soup.p.children )) #得到生成器
 13 print(list(soup.p.descendants))  #所有的子子孙孙
 14 print(soup.a.parent)#找父亲
 15 print(list(soup.a.parent))#父亲的父亲的父亲
 16 
 17 print(soup.p.find_all() ) #标签名可以和find可以结合在一起使用
基本使用 View Code

   1、用法  2、获取标签的名称  3、获取标签的属性  4、获取标签的内容  5、嵌套选择
   6、子节点、子孙节点  7、父节点、祖先节点  8、兄弟节点

技术图片
  1 #遍历文档树:即直接通过标签名字选择,特点是选择速度快,但如果存在多个相同的标签则只返回第一个
  2 html_doc = """
  3 <html><head><title>The Dormouse‘s story</title></head>
  4 <body>
  5 <p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse‘s story</b></p>
  6 
  7 <p class="story">Once upon a time there were three little sisters; and their names were
  8 <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
  9 <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
 10 <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
 11 and they lived at the bottom of a well.</p>
 12 
 13 <p class="story">...</p>
 14 """
 15 
 16 #1、用法
 17 from bs4 import BeautifulSoup
 18 soup=BeautifulSoup(html_doc,‘lxml‘)
 19 # soup=BeautifulSoup(open(‘a.html‘),‘lxml‘)
 20 
 21 print(soup.p) #存在多个相同的标签则只返回第一个
 22 print(soup.a) #存在多个相同的标签则只返回第一个
 23 
 24 #2、获取标签的名称
 25 print(soup.p.name)
 26 
 27 #3、获取标签的属性
 28 print(soup.p.attrs)
 29 
 30 #4、获取标签的内容
 31 print(soup.p.string) # p下的文本只有一个时,取到,否则为None
 32 print(soup.p.strings) #拿到一个生成器对象, 取到p下所有的文本内容
 33 print(soup.p.text) #取到p下所有的文本内容
 34 for line in soup.stripped_strings: #去掉空白
 35     print(line)
 36 
 37 
 38 ‘‘‘
 39 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,如果只有一个子节点那么就输出该子节点的文本,比如下面的这种结构,soup.p.string 返回为None,但soup.p.strings就可以找到所有文本
 40 <p id=‘list-1‘>
 41     哈哈哈哈
 42     <a class=‘sss‘>
 43         <span>
 44             <h1>aaaa</h1>
 45         </span>
 46     </a>
 47     <b>bbbbb</b>
 48 </p>
 49 ‘‘‘
 50 
 51 #5、嵌套选择
 52 print(soup.head.title.string)
 53 print(soup.body.a.string)
 54 
 55 
 56 #6、子节点、子孙节点
 57 print(soup.p.contents) #p下所有子节点
 58 print(soup.p.children) #得到一个迭代器,包含p下所有子节点
 59 
 60 for i,child in enumerate(soup.p.children):
 61     print(i,child)
 62 
 63 print(soup.p.descendants) #获取子孙节点,p下所有的标签都会选择出来
 64 for i,child in enumerate(soup.p.descendants):
 65     print(i,child)
 66 
 67 #7、父节点、祖先节点
 68 print(soup.a.parent) #获取a标签的父节点
 69 print(soup.a.parents) #找到a标签所有的祖先节点,父亲的父亲,父亲的父亲的父亲...
 70 
 71 
 72 #8、兄弟节点
 73 print(‘=====>‘)
 74 print(soup.a.next_sibling) #下一个兄弟
 75 print(soup.a.previous_sibling) #上一个兄弟
 76 
 77 print(list(soup.a.next_siblings)) #下面的兄弟们=>生成器对象
 78 print(soup.a.previous_siblings) #上面的兄弟们=>生成器对象
遍历文档树 View Code

搜索文档数

1、五种过滤器

技术图片
  1 from bs4 import BeautifulSoup
  2 
  3 html_doc = ‘‘‘<html><head><title>The Dormouse‘s story</title></head>
  4 <body>
  5 <p class="title"><b>The Dormouse‘s story</b></p>
  6 <p class="title"><b>$75</b></p>
  7 <p id="meiyuan">啦啦啦啦啦啦</p>
  8 
  9 <p class="story">Once upon a time there were three little sisters; and their names were
 10 <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
 11 <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
 12 <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
 13 and they lived at the bottom of a well.</p>‘‘‘
 14 soup= BeautifulSoup(html_doc,"lxml")
 15 
 16 # 1、字符串:特点:是一种完全匹配的
 17 print(soup.find_all(name="a"))  #找到所有的a标签
 18 print(soup.find_all(name="a aa"))  #找不到,会打印一个[]
 19 print(soup.find_all(attrs={"class":"sister"}))
 20 print(soup.find_all(text="The Dormouse‘s story"))  #按照文本来找
 21 print(soup.find_all(name="b",text="The Dormouse‘s story"))  #找标签名是b,并且文本是The Dormouse‘s story
 22 print(soup.p.find(name="b").text)  #第一个p标签的b里面的文本
 23 print(soup.find_all(name="p",attrs={"class":"story"}))  #找到标签名是p,属性名是class,
 24 print(soup.find(name="p",attrs={"class":"story"}).find_all(name="a")[2])  #找到标签名是p,属性名是class的第二个a标签
 25 
 26 # 2、正则
 27 import re
 28 
 29 print(soup.find_all(name=re.compile("^b")))  #找b开头的的标签
 30 print(soup.find_all(attrs={"id":re.compile("link")}))  #找到id属性是link的
 31 print(soup.find_all(text=re.compile(r"$")))  #找带有$价钱的文本
 32 
 33 # # 3、列表:如果传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回.
 34 print(soup.find_all(name=["a",re.compile("^b")]))  #找a标签或者b标签开头的所有的标签
 35 print(soup.find_all(text=["$",]))  #找不到
 36 print(soup.find_all(text=[re.compile(r"$")]))  #[‘$75‘]
 37 print(soup.find_all(text=["a",re.compile(r"$")]))
 38 
 39 # # 4、True:可以匹配任何值
 40 print(soup.find_all(name=True))  #找到所有标签的标签名
 41 print(soup.find_all(attrs={"id":True}))#找到只要有id属性的
 42 #
 43 print(soup.find_all(name="p",attrs={"id":True}))# 找到有id属性的p标签
 44 # 5、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 ,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
 45 #
 46 # # 有class属性没有id属性的
 47 def has_class_not_id(tag):
 48     return tag.has_attr(‘class‘) and not tag.has_attr(‘id‘)
 49     # return tag.has_attr(‘id‘) and not tag.has_attr(‘class‘)
 50 
 51     # return tag.name =="a" and tag.has_attr("class") and not tag.has_attr("id")
 52 # #     #只找a标签
 53 print(soup.find_all(has_class_not_id))  #默认是按照标签来找的
 54 
 55 
 56 print(soup.find_all(name="a",limit=2))#找所有的a标签,只找前两个
 57 print(soup.body.find_all(attrs={"class":"sister"},recursive=False))#找属性为sister的
 58 print(soup.html.find_all(‘a‘))
 59 print(soup.html.find_all(‘a‘,recursive=False))
 60 # recursive = True  #从子子孙孙都找到了
 61 # recursive = False #如果只想搜索tag的直接子节点(就不往里面找了),可以使用参数 recursive=False .
 62 
 63 # **kwargs
 64 print(soup.find_all(attrs={"class":"sister"}))
 65 print(soup.find_all(class_="sister"))  #这两个是一样的
 66 
 67 print(soup.find_all(attrs={"id":"link3"})) #这两个是一样的,只是表示方式不一样
 68 print(soup.find_all(id="link3"))
五种过滤器 View Code

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

技术图片
  1 #2、find_all( name , attrs , recursive , text , **kwargs )
  2 #2.1、name: 搜索name参数的值可以使任一类型的 过滤器 ,字符窜,正则表达式,列表,方法或是 True .
  3 print(soup.find_all(name=re.compile(‘^t‘)))
  4 
  5 #2.2、keyword: key=value的形式,value可以是过滤器:字符串 , 正则表达式 , 列表, True .
  6 print(soup.find_all(id=re.compile(‘my‘)))
  7 print(soup.find_all(href=re.compile(‘lacie‘),id=re.compile(‘d‘))) #注意类要用class_
  8 print(soup.find_all(id=True)) #查找有id属性的标签
  9 
 10 # 有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性:
 11 data_soup = BeautifulSoup(‘<div data-foo="value">foo!</div>‘,‘lxml‘)
 12 # data_soup.find_all(data-foo="value") #报错:SyntaxError: keyword can‘t be an expression
 13 # 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:
 14 print(data_soup.find_all(attrs={"data-foo": "value"}))
 15 # [<div data-foo="value">foo!</div>]
 16 
 17 #2.3、按照类名查找,注意关键字是class_,class_=value,value可以是五种选择器之一
 18 print(soup.find_all(‘a‘,class_=‘sister‘)) #查找类为sister的a标签
 19 print(soup.find_all(‘a‘,class_=‘sister ssss‘)) #查找类为sister和sss的a标签,顺序错误也匹配不成功
 20 print(soup.find_all(class_=re.compile(‘^sis‘))) #查找类为sister的所有标签
 21 
 22 #2.4、attrs
 23 print(soup.find_all(‘p‘,attrs={‘class‘:‘story‘}))
 24 
 25 #2.5、text: 值可以是:字符,列表,True,正则
 26 print(soup.find_all(text=‘Elsie‘))
 27 print(soup.find_all(‘a‘,text=‘Elsie‘))
 28 
 29 #2.6、limit参数: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
 30 print(soup.find_all(‘a‘,limit=2))
 31 
 32 #2.7、recursive: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 .
 33 print(soup.html.find_all(‘a‘))
 34 print(soup.html.find_all(‘a‘,recursive=False))
 35 
 36 ‘‘‘
 37 像调用 find_all() 一样调用tag
 38 find_all() 几乎是Beautiful Soup中最常用的搜索方法,所以我们定义了它的简写方法. BeautifulSoup 对象和 tag 对象可以被当作一个方法来使用,这个方法的执行结果与调用这个对象的 find_all() 方法相同,下面两行代码是等价的:
 39 soup.find_all("a")
 40 soup("a")
 41 这两行代码也是等价的:
 42 soup.title.find_all(text=True)
 43 soup.title(text=True)
 44 ‘‘‘
find_all View Code

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

技术图片
  1 #3、find( name , attrs , recursive , text , **kwargs )
  2 find_all() 方法将返回文档中符合条件的所有tag,尽管有时候我们只想得到一个结果.比如文档中只有一个<body>标签,那么使用 find_all() 方法来查找<body>标签就不太合适, 使用 find_all 方法并设置 limit=1 参数不如直接使用 find() 方法.下面两行代码是等价的:
  3 
  4 soup.find_all(‘title‘, limit=1)
  5 # [<title>The Dormouse‘s story</title>]
  6 soup.find(‘title‘)
  7 # <title>The Dormouse‘s story</title>
  8 
  9 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.
 10 find_all() 方法没有找到目标是返回空列表, find() 方法找不到目标时,返回 None .
 11 print(soup.find("nosuchtag"))
 12 # None
 13 
 14 soup.head.title 是 tag的名字 方法的简写.这个简写的原理就是多次调用当前tag的 find() 方法:
 15 
 16 soup.head.title
 17 # <title>The Dormouse‘s story</title>
 18 soup.find("head").find("title")
 19 # <title>The Dormouse‘s story</title>
find View Code

4、其他方法

见官网:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#find-parents-find-parent

5、CSS选择器

技术图片
  1 #该模块提供了select方法来支持css,详见官网:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#id37
  2 html_doc = """
  3 <html><head><title>The Dormouse‘s story</title></head>
  4 <body>
  5 <p class="title">
  6     <b>The Dormouse‘s story</b>
  7     Once upon a time there were three little sisters; and their names were
  8     <a href="http://example.com/elsie" class="sister" id="link1">
  9         <span>Elsie</span>
 10     </a>
 11     <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
 12     <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
 13     <div class=‘panel-1‘>
 14         <ul class=‘list‘ id=‘list-1‘>
 15             <li class=‘element‘>Foo</li>
 16             <li class=‘element‘>Bar</li>
 17             <li class=‘element‘>Jay</li>
 18         </ul>
 19         <ul class=‘list list-small‘ id=‘list-2‘>
 20             <li class=‘element‘><h1 class=‘yyyy‘>Foo</h1></li>
 21             <li class=‘element xxx‘>Bar</li>
 22             <li class=‘element‘>Jay</li>
 23         </ul>
 24     </div>
 25     and they lived at the bottom of a well.
 26 </p>
 27 <p class="story">...</p>
 28 """
 29 from bs4 import BeautifulSoup
 30 soup=BeautifulSoup(html_doc,‘lxml‘)
 31 
 32 #1、CSS选择器
 33 print(soup.p.select(‘.sister‘))
 34 print(soup.select(‘.sister span‘))
 35 
 36 print(soup.select(‘#link1‘))
 37 print(soup.select(‘#link1 span‘))
 38 
 39 print(soup.select(‘#list-2 .element.xxx‘))
 40 
 41 print(soup.select(‘#list-2‘)[0].select(‘.element‘)) #可以一直select,但其实没必要,一条select就可以了
 42 
 43 # 2、获取属性
 44 print(soup.select(‘#list-2 h1‘)[0].attrs)
 45 
 46 # 3、获取内容
 47 print(soup.select(‘#list-2 h1‘)[0].get_text())
css选择器 View Code

修改文档数

链接:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#id40



归类 : python爬虫

以上是关于解析库之 beautifulsoup模块的主要内容,如果未能解决你的问题,请参考以下文章

93解析库之re,Beautifulsoup

解析库之beautifulsoup,pyquery

解析库之rebeautifulsouppyquery

Python爬虫解析库之beautifulsoup

第三篇:解析库之rebeautifulsouppyquery(转)

爬虫-解析库之re