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
  (1)Tag:
  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 Dormouses 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 Dormouses 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 Dormouses 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 Dormouses story</b>]
>>> soup.find_all(["a", "b"])
[<b>The Dormouses 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")
[uElsie]
>>> soup.find_all(text=["Tillie", "Elsie", "Lacie"])
[uElsie, uLacie, uTillie]
>>> 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 Dormouses 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

  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 Dormouses 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

使用python和BeautifulSoup从网页检索链接

Beautifulsoup4学习文档解析流程图

python学习(25) BeautifulSoup介绍和实战

IOS开发-OC学习-常用功能代码片段整理

java SpringRetry学习的代码片段