BeautifulSoup---学习
Posted pyven
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BeautifulSoup---学习相关的知识,希望对你有一定的参考价值。
BeautifulSoup
是一个可以从html或XML文件中提取数据的Python库,它的使用方式相对于正则来说更加的简单方便,常常能够节省我们大量的时间。
官方中文文档的:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html
以下进行一些总结。
可用的解析器
以下是主要的几种解析器:
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 |
有的时候,lxml需要单独安装:
pip install lxml
安装成功后,在解析网页的时候,指定为lxml即可,使用方法如下:
soup = BeautifulSoup(html_doc, ‘lxml‘)
对象种类
tag
就是标签的意思,如下:
>>> soup = BeautifulSoup(‘<b class="boldest">Extremely bold</b>‘) >>> tag = soup.b >>> type(tag) <class ‘bs4.element.Tag‘>
Tag就是html中的标签的意思,包括很多的方法和属性:
.name
>>> soup = BeautifulSoup(‘<b class="boldest">Extremely bold</b>‘) >>> tag = soup.b >>> type(tag) <class ‘bs4.element.Tag‘> >>> tag.name ‘b‘
Attributes(属性)
可以像访问字典一样访问节点的属性:
>>> soup = BeautifulSoup(‘<p class="body strikeout"></p>‘) >>> soup.p[‘class‘] ["body", "strikeout"] # 多值属性会采用list的方式返回
同时属性也可以通过.attrs的方式进行获取
返回的值往往是列表或者字符串的形式。
>>>tag.attrs # {u‘class‘: u‘boldest‘} >>>tag.attrs["class"] # ["boldest"]
.get_text()
通过get_text()
方法我们可以获取某个tag
下所有的文本内容。
与 .text 相同。
In [1]: soup.body.get_text()
Out[1]: "The Dormouse‘s story Once upon a time there were three little sisters; and their names were Elsie, Lacie and Tillie; and they lived at the bottom of a well. ... "
(2)NavigableString
NavigableString
的意思是可以遍历的字符串,一般被标签包裹在其中的的文本就是NavigableString
格式。
In [1]: soup = BeautifulSoup(‘<p>No longer bold</p>‘) In [2]: soup.p.string Out[2]: ‘No longer bold‘ In [3]: type(soup.p.string) Out[3]: bs4.element.NavigableString
(3)BeautifulSoup
BeautifulSoup
对象就是解析网页获得的对象。
(4)Comment
Comment
指的是在网页中的注释以及特殊字符串。
遍历文档树
一个Tag可能包含多个字符串或其它的Tag,这些都是这个Tag的子节点.Beautiful Soup提供了许多操作和遍历子节点的属性.
注意: Beautiful Soup中字符串节点不支持这些属性,因为字符串没有子节点
- 子节点
(1)获得标签节点,通过标签的名字
如此可以类似与路径的形式进行定位 soup.body.p.a
>>>soup.head # <head><title>The Dormouse‘s story</title></head> >>>soup.title # <title>The Dormouse‘s story</title>
同时,也可以采用 .find_all("a") 的方式获得所有的a标签
.find("a") 获得第一个a标签
(2).contents和.children
.contents获取节点的所有子节点,包括里面的NavigableString
对象。以列表方式输出
In [1]: soup.head.contents Out[1]: [<title>The Dormouse‘s story</title>]
而通过.children
同样的是获取某个节点的所有子节点,但是返回的是一个迭代器,这种方式会比列表格式更加的节省内存。
In [1]: tags = soup.head.children In [2]: tags Out[2]: <list_iterator at 0x110f76940> In [3]: for tag in tags: print(tag) <title>The Dormouse‘s story</title>
(3).descendants
通过descendants
可以获得所有子孙节点,返回的结果跟children
一样,需要迭代或者转类型使用。
(4)string,strings,stripped_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:
from bs4 import BeautifulSoup soup = BeautifulSoup(‘<html><b class="boldest" name="ven">Extremely bold</b></html>‘, ‘lxml‘) print(soup.string) # Extremely bold
而如果这个节点中有多个字符串的时候,BeautifulSoup
就无法确定要取出哪个字符串了,这时候需要使用strings
。(.strings返回的是迭代类型,需要遍历或者使用list)
In [1]: list(soup.body.strings) Out[1]: ["The Dormouse‘s story", ‘ ‘, ‘Once upon a time there were three little sisters; and their names were ‘, ‘Elsie‘, ‘, ‘, ‘Lacie‘, ‘ and ‘, ‘Tillie‘, ‘; and they lived at the bottom of a well.‘, ‘ ‘, ‘...‘, ‘ ‘]
- 父节点
(1).parent
有时我们也需要去获取某个节点的父节点,也就是包裹着当前节点的节点。
In [1]: soup.b.parent Out[1]: <p class="title"><b>The Dormouse‘s story</b></p>
(2).parents
而使用parents
则可以获得当前节点递归到顶层的所有父辈元素。
In [1]: [i.name for i in soup.b.parents] Out[1]: [‘p‘, ‘body‘, ‘html‘, ‘[document]‘]
- 兄弟节点
兄弟节点指的就是父节点相同的节点。
(1)next_sibling 和 previous_sibling
兄弟节点选取的方法与当前节点的位置有关,next_sibling
获取的是当前节点的下一个兄弟节点,previous_sibling
获取的是当前节点的上一个兄弟节点。所以,兄弟节点中排第一个的节点是没有previous_sibling
的,最后一个节点是没有next_sibling
的。
(2)next_siblings 和 previous_siblings
相对应的,next_siblings
获取的是下方所有的兄弟节点,previous_siblings
获取的上方所有的兄弟节点。
(3)next_element(s) 和 previous_element(s)
pass
搜索文档树
(1)find()和find_all()
.find()获取第一个,.find_all()获取所有。
find(),find_all()方法可以这样用(soup.find("a") ===>soup("a"))
通过name搜索
>>> soup.find_all(‘b‘) [<b>The Dormouse‘s story</b>] >>> soup.find_all(["a", "b"]) [<b>The Dormouse‘s story</b>, <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
通过属性搜索
In [1]: soup.find_all(attrs={‘class‘: ‘sister‘}) In [2]: soup.find_all({‘class‘: ‘sister‘}) In [3]: soup.find_all("a", {‘class‘: ‘sister‘}) Out[1]: [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
通过文本搜索
text必须完全符合才匹配到。
并且可以配合标签找到标签
>>> soup.find_all(text="Elsie") [u‘Elsie‘] >>> soup.find_all(text=["Tillie", "Elsie", "Lacie"]) [u‘Elsie‘, u‘Lacie‘, u‘Tillie‘]
>>> soup.find_all("a", text="Tillie")
[<a>Tillie</>]
限制查找范围为子节点
find_all()
方法会默认的去所有的子孙节点中搜索,而如果将recursive
参数设置为False,则可以将搜索范围限制在直接子节点中。
>>> soup.html.find_all("title") [<title>The Dormouse‘s story</title>] >>> soup.html.find_all("title", recursive=False) []
限制查找的结果数(limit)
soup.find_all("a", limit=2) # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]
正则表达式筛选查找结果
在BeautifulSoup
中,也是可以与re
模块进行相互配合的,将re.compile编译的对象传入find_all()
方法,即可通过正则来进行搜索。
In [1]: import re In [2]: tags = soup.find_all(re.compile("^b")) In [3]: [i.name for i in tags] Out[3]: [‘body‘, ‘b‘]
可以看到,找到了标签名是以‘b‘开头的两个标签。
同样的,也能够以正则来筛选tag
的属性。
In [1]: soup.find_all(attrs={‘class‘: re.compile("si")})
In [2]: soup.find_all(class_: re.compile("si")})
Out[1]: [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a> ]
CSS选择器
在BeautifulSoup
中,同样也支持使用CSS选择器来进行搜索。使用select()
,在其中传入字符串参数,就可以使用CSS选择器的语法来找到tag。
>>> soup.select("title") [<title>The Dormouse‘s story</title>] >>> soup.select("p > a") [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
总结
主要看了搜索和遍历,修改文档树没怎么用到,就没有看了。
以上是关于BeautifulSoup---学习的主要内容,如果未能解决你的问题,请参考以下文章
孤荷凌寒自学python第六十八天学习并实践beautifulsoup模块1