上一节我们介绍了正则表达式，它的内容其实还是蛮多的，如果一个正则匹配稍有差池，那可能程序就处在永久的循环之中，而且有的小伙伴们也对写正则表 达式的写法用得不熟练，没关系，我们还有一个更强大的工具，叫Beautiful Soup，有了它我们可以很方便地提取出HTML或XML标签中的内容，实在是方便，这一节就让我们一起来感受一下Beautiful Soup的强大吧。
1. Beautiful Soup的简介
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。
废话不多说，我们来试一下吧~
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。
如果你用的是新版的Debain或Ubuntu,那么可以通过系统的软件包管理来安装，不过它不是最新版本，目前是4.2.1版本
Python
|
1 |
sudo apt-get install Python-bs4 |
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。在这里我安装的是 Beautiful Soup 4.3.2
Beautiful Soup 3.2.1Beautiful Soup 4.3.2
下载完成之后解压
运行下面的命令即可完成安装
Python
|
1 |
sudo python setup.py install |
如下图所示，证明安装成功了
然后需要安装 lxml
Python
|
1 |
sudo apt-get install Python-lxml |
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。
3. 开启Beautiful Soup 之旅
在这里先分享官方文档链接，不过内容是有些多，也不够条理，在此本文章做一下整理方便大家参考。
4. 创建 Beautiful Soup 对象
首先必须要导入 bs4 库
Python
|
1 |
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
Python
|
1 2 3 4 5 6 7 8 9 10 11 |
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"><!-- Elsie --></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> """ |
创建 beautifulsoup 对象
Python
|
1 |
soup = BeautifulSoup(html) |
另外，我们还可以用本地 HTML 文件来创建对象，例如
Python
|
1 |
soup = BeautifulSoup(open(‘index.html‘)) |
上面这句代码便是将本地 index.html 文件打开，用它来创建 soup 对象
下面我们来打印一下 soup 对象的内容，格式化输出
Python
|
1 |
print soup.prettify() |
Python
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 |
<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"> <!-- Elsie --> </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> |
以上便是输出结果，格式化打印出了它的内容，这个函数经常用到，小伙伴们要记好咯。
5. 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:
- Tag
- NavigableString
- BeautifulSoup
- Comment
下面我们进行一一介绍
（1）Tag
Tag 是什么？通俗点讲就是 HTML 中的一个个标签，例如
Python
|
1 |
<title>The Dormouse‘s story</title> |
Python
|
1 |
<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a> |
上面的 title a 等等 HTML 标签加上里面包括的内容就是 Tag，下面我们来感受一下怎样用 Beautiful Soup 来方便地获取 Tags
下面每一段代码中注释部分即为运行结果
Python
|
1 2 |
print soup.title #<title>The Dormouse‘s story</title> |
Python
|
1 2 |
print soup.head #<head><title>The Dormouse‘s story</title></head> |
Python
|
1 2 |
print soup.a #<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a> |
Python
|
1 2 |
print soup.p #<p class="title" name="dromouse"><b>The Dormouse‘s story</b></p> |
我们可以利用 soup加标签名轻松地获取这些标签的内容，是不是感觉比正则表达式方便多了？不过有一点是，它查找的是在所有内容中的第一个符合要求的标签，如果要查询所有的标签，我们在后面进行介绍。
我们可以验证一下这些对象的类型
Python
|
1 2 |
print type(soup.a) #<class ‘bs4.element.Tag‘> |
对于 Tag，它有两个重要的属性，是 name 和 attrs，下面我们分别来感受一下
name
Python
|
1 2 3 4 |
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
Python
|
1 2 |
print soup.p.attrs #{‘class‘: [‘title‘], ‘name‘: ‘dromouse‘} |
在这里，我们把 p 标签的所有属性打印输出了出来，得到的类型是一个字典。
如果我们想要单独获取某个属性，可以这样，例如我们获取它的 class 叫什么
Python
|
1 2 |
print soup.p[‘class‘] #[‘title‘] |
还可以这样，利用get方法，传入属性的名称，二者是等价的
Python
|
1 2 |
print soup.p.get(‘class‘) #[‘title‘] |
我们可以对这些属性和内容等等进行修改，例如
Python
|
1 2 3 |
soup.p[‘class‘]="newClass" print soup.p #<p class="newClass" name="dromouse"><b>The Dormouse‘s story</b></p> |
还可以对这个属性进行删除，例如
Python
|
1 2 3 |
del soup.p[‘class‘] print soup.p #<p name="dromouse"><b>The Dormouse‘s story</b></p> |
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
（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
Python
|
1 2 |
print soup.p.string #The Dormouse‘s story |
这样我们就轻松获取到了标签里面的内容，想想如果用正则表达式要多麻烦。它的类型是一个 NavigableString，翻译过来叫 可以遍历的字符串，不过我们最好还是称它英文名字吧。
Python
|
1 2 |
print type(soup.p.string) #<class ‘bs4.element.NavigableString‘> |
来检查一下它的类型
Python
|
1 2 |
print type(soup.p.string) #<class ‘bs4.element.NavigableString‘> |
（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
Python
|
1 2 3 4 5 6 |
print type(soup.name) #<type ‘unicode‘> 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
Python
|
1 2 3 |
print soup.a print soup.a.string print type(soup.a.string) |
运行结果如下
Python
|
1 2 3 |
<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a> Elsie <class ‘bs4.element.Comment‘> |
a 标签里的内容实际上是注释，但是如果我们利用 .string 来输出它的内容，我们发现它已经把注释符号去掉了，所以这可能会给我们带来不必要的麻烦。
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
Python
|
1 2 |
if type(soup.a.string)==bs4.element.Comment: print soup.a.string |
上面的代码中，我们首先判断了它的类型，是否为 Comment 类型，然后再进行其他操作，如打印输出。
6. 遍历文档树
（1）直接子节点
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
Python
|
1 2 |
print soup.head.contents #[<title>The Dormouse‘s story</title>] |
输出方式为列表，我们可以用列表索引来获取它的某一个元素
Python
|
1 2 |
print soup.head.contents[0] #<title>The Dormouse‘s story</title> |
.children
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
Python
|
1 2 |
print soup.head.children #<listiterator object at 0x7f71457f5710> |
我们怎样获得里面的内容呢？很简单，遍历一下就好了，代码及结果如下
Python
|
1 2 |
for child in soup.body.children: print child |
Python
|
1 2 3 4 5 6 7 8 9 |
<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"><!-- Elsie --></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。
Python
|
1 2 |
for child in soup.descendants: print child |
运行结果如下，可以发现，所有的节点都被打印出来了，先生最外层的 HTML标签，其次从 head 标签一个个剥离，以此类推。
Python
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 |
<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"><!-- Elsie --></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"><!-- Elsie --></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"><!-- Elsie --></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"><!-- Elsie --></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
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。例如
Python
|
1 2 3 4 |
print soup.head.string #The Dormouse‘s story print soup.title.string #The Dormouse‘s story |
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
Python
|
1 2 |
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
Python
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 |
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‘ |
.stripped_strings
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
Python
|
1 2 3 4 5 6 7 8 9 10 11 12 |
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
Python
|
1 2 3 |
p = soup.p print p.parent.name #body |
Python
|
1 2 3 |
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
Python
|
1 2 3 |
content = soup.head.title.string for parent in content.parents: print parent.name |
Python
|
1 2 3 4 |
title head html [document] |
（7）兄弟节点
知识点：.next_sibling .previous_sibling 属性
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
Python
|
1 2 3 4 5 6 7 8 9 10 11 |
print soup.p.next_sibling # 实际该处为空白 print soup.p.prev_sibling #None 没有前一个兄弟节点，返回 None print soup.p.next_sibling.next_sibling #<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"><!-- Elsie --></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> #下一个节点的下一个兄弟节点是我们可以看到的节点 |
（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
Python
|
1 2 3 4 5 6 7 8 |
for sibling in soup.a.next_siblings: print(repr(sibling)) # u‘,\n‘ # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> # u‘ and\n‘ # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a> # u‘; and they lived at the bottom of a well.‘ # None |
（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
Python
|
1 |
<head><title>The Dormouse‘s story</title></head> |
那么它的下一个节点便是 title，它是不分层次关系的
Python
|
1 2 |
print soup.head.next_element #<title>The Dormouse‘s story</title> |
（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
Python
|
1 2 3 4 5 6 7 8 9 |
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‘ # <p class="story">...</p> # u‘...‘ # u‘\n‘ # None |
7.搜索文档树
（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
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<b>标签
Python
|
1 2 |
soup.find_all(‘b‘) # [<b>The Dormouse‘s story</b>] |
Python
|
1 2 |
print soup.find_all(‘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>] |
B.传正则表达式
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<body>和<b>标签都应该被找到
Python
|
1 2 3 4 5 |
import re for tag in soup.find_all(re.compile("^b")): print(tag.name) # body # b |
C.传列表
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.下面代码找到文档中所有<a>标签和<b>标签
Python
|
1 2 3 4 5 |
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>] |
D.传 True
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
Python
|
1 2 3 4 5 6 7 8 9 10 11 |
for tag in soup.find_all(True): print(tag.name) # html # head # title # body # p # b # p # a # a |
E.传方法
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 [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:
Python
|
1 2 |
def has_class_but_no_id(tag): return tag.has_attr(‘class‘) and not tag.has_attr(‘id‘) |
将这个方法作为参数传入 find_all() 方法,将得到所有<p>标签:
Python
|
1 2 3 4 |
soup.find_all(has_class_but_no_id) # [<p class="title"><b>The Dormouse‘s story</b></p>, # <p class="story">Once upon a time there were...</p>, # <p class="story">...</p>] |
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
Python
|
1 2 |
soup.find_all(id=‘link2‘) # [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>] |
如果传入 href 参数,Beautiful Soup会搜索每个tag的”href”属性
Python
|
1 2 |
soup.find_all(href=re.compile("elsie")) # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>] |
使用多个指定名字的参数可以同时过滤tag的多个属性
Python
|
1 2 |
soup.find_all(href=re.compile("elsie"), id=‘link1‘) # [<a class="sister" href="http://example.com/elsie" id="link1">three</a>] |
在这里我们想用 class 过滤，不过 class 是 python 的关键词，这怎么办？加个下划线就可以
Python
|
1 2 3 4 |
soup.find_all("a", class_="sister") # [<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>] |
有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性
Python
|
1 2 3 4 |
soup.find_all("a", class_="sister") # [<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>] |
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
Python
|
1 2 |
data_soup.find_all(attrs={"data-foo": "value"}) # [<div data-foo="value">foo!</div>] |
3）text 参数
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
Python
|
1 2 3 4 5 6 7 8 |
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"] |
4）limit 参数
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
Python
|
1 2 3 |
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>] |
5）recursive 参数
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:
Python
|
1 2 3 4 5 6 7 |
<html> <head> <title> The Dormouse‘s story </title> </head> ... |
是否使用 recursive 参数的搜索结果:
Python
|
1 2 3 4 5 |
soup.html.find_all("title") # [<title>The Dormouse‘s story</title>] soup.html.find_all("title", recursive=False) # [] |
（2）find( name , attrs , recursive , text , **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
（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。
8.CSS选择器
我们在写 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
Python
|
1 2 |
print soup.select(‘title‘) #[<title>The Dormouse‘s story</title>] |
Python
|
1 2 |
print soup.select(‘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>] |
Python
|
1 2 |
print soup.select(‘b‘) #[<b>The Dormouse‘s story</b>] |
（2）通过类名查找
Python
|
1 2 |
print soup.select(‘.sister‘) #[<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>] |
（3）通过 id 名查找
Python
|
1 2 |
print soup.select(‘#link1‘) #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>] |
（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
Python
|
1 2 |
print soup.select(‘p #link1‘) #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>] |
直接子标签查找
Python
|
1 2 |
print soup.select("head > title") #[<title>The Dormouse‘s story</title>] |
（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。
Python
|
1 2 |
print soup.select("head > title") #[<title>The Dormouse‘s story</title>] |
Python
|
1 2 |
print soup.select(‘a[href="http://example.com/elsie"]‘) #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>] |
同样，属性仍然可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格
Python
|
1 2 |
print soup.select(‘p a[href="http://example.com/elsie"]‘) #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>] |
好，这就是另一种与 find_all 方法有异曲同工之妙的查找方法，是不是感觉很方便？
总结
本篇内容比较多，把 Beautiful Soup 的方法进行了大部分整理和总结，不过这还不算完全，仍然有 Beautiful Soup 的修改删除功能，不过这些功能用得比较少，只整理了查找提取的方法，希望对大家有帮助！小伙伴们加油！
熟练掌握了 Beautiful Soup，一定会给你带来太多方便，加油吧！
上一节我们介绍了正则表达式，它的内容其实还是蛮多的，如果一个正则匹配稍有差池，那可能程序就处在永久的循环之中，而且有的小伙伴们也对写正则表 达式的写法用得不熟练，没关系，我们还有一个更强大的工具，叫Beautiful Soup，有了它我们可以很方便地提取出HTML或XML标签中的内容，实在是方便，这一节就让我们一起来感受一下Beautiful Soup的强大吧。
1. Beautiful Soup的简介
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。
废话不多说，我们来试一下吧~
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。
如果你用的是新版的Debain或Ubuntu,那么可以通过系统的软件包管理来安装，不过它不是最新版本，目前是4.2.1版本
Python
|
1 |
sudo apt-get install Python-bs4 |
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。在这里我安装的是 Beautiful Soup 4.3.2
Beautiful Soup 3.2.1Beautiful Soup 4.3.2
下载完成之后解压
运行下面的命令即可完成安装
Python
|
1 |
sudo python setup.py install |
如下图所示，证明安装成功了
然后需要安装 lxml
Python
|
1 |
sudo apt-get install Python-lxml |
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。
3. 开启Beautiful Soup 之旅
在这里先分享官方文档链接，不过内容是有些多，也不够条理，在此本文章做一下整理方便大家参考。
4. 创建 Beautiful Soup 对象
首先必须要导入 bs4 库
Python
|
1 |
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
Python
|
1 2 3 4 5 6 7 8 9 10 11 |
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"><!-- Elsie --></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> """ |
创建 beautifulsoup 对象
Python
|
1 |
soup = BeautifulSoup(html) |
另外，我们还可以用本地 HTML 文件来创建对象，例如
Python
|
1 |
soup = BeautifulSoup(open(‘index.html‘)) |
上面这句代码便是将本地 index.html 文件打开，用它来创建 soup 对象
下面我们来打印一下 soup 对象的内容，格式化输出
Python
|
1 |
print soup.prettify() |
Python
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 |
<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"> <!-- Elsie --> </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> |
以上便是输出结果，格式化打印出了它的内容，这个函数经常用到，小伙伴们要记好咯。
5. 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:
- Tag
- NavigableString
- BeautifulSoup
- Comment
下面我们进行一一介绍
（1）Tag
Tag 是什么？通俗点讲就是 HTML 中的一个个标签，例如
Python
|
1 |
<title>The Dormouse‘s story</title> |
Python
|
1 |
<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a> |
上面的 title a 等等 HTML 标签加上里面包括的内容就是 Tag，下面我们来感受一下怎样用 Beautiful Soup 来方便地获取 Tags
下面每一段代码中注释部分即为运行结果
Python
|
1 2 |
print soup.title #<title>The Dormouse‘s story</title> |
Python
|
1 2 |
print soup.head #<head><title>The Dormouse‘s story</title></head> |
Python
|
1 2 |
print soup.a #<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a> |
Python
|
1 2 |
print soup.p #<p class="title" name="dromouse"><b>The Dormouse‘s story</b></p> |
我们可以利用 soup加标签名轻松地获取这些标签的内容，是不是感觉比正则表达式方便多了？不过有一点是，它查找的是在所有内容中的第一个符合要求的标签，如果要查询所有的标签，我们在后面进行介绍。
我们可以验证一下这些对象的类型
Python
|
1 2 |
print type(soup.a) #<class ‘bs4.element.Tag‘> |
对于 Tag，它有两个重要的属性，是 name 和 attrs，下面我们分别来感受一下
name
Python
|
1 2 3 4 |
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
Python
|
1 2 |
print soup.p.attrs #{‘class‘: [‘title‘], ‘name‘: ‘dromouse‘} |
在这里，我们把 p 标签的所有属性打印输出了出来，得到的类型是一个字典。
如果我们想要单独获取某个属性，可以这样，例如我们获取它的 class 叫什么
Python
|
1 2 |
print soup.p[‘class‘] #[‘title‘] |
还可以这样，利用get方法，传入属性的名称，二者是等价的
Python
|
1 2 |
print soup.p.get(‘class‘) #[‘title‘] |
我们可以对这些属性和内容等等进行修改，例如
Python
|
1 2 3 |
soup.p[‘class‘]="newClass" print soup.p #<p class="newClass" name="dromouse"><b>The Dormouse‘s story</b></p> |
还可以对这个属性进行删除，例如
Python
|
1 2 3 |
del soup.p[‘class‘] print soup.p #<p name="dromouse"><b>The Dormouse‘s story</b></p> |
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
（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
Python
|
1 2 |
print soup.p.string #The Dormouse‘s story |
这样我们就轻松获取到了标签里面的内容，想想如果用正则表达式要多麻烦。它的类型是一个 NavigableString，翻译过来叫 可以遍历的字符串，不过我们最好还是称它英文名字吧。
Python
|
1 2 |
print type(soup.p.string) #<class ‘bs4.element.NavigableString‘> |
来检查一下它的类型
Python
|
1 2 |
print type(soup.p.string) #<class ‘bs4.element.NavigableString‘> |
（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
Python
|
1 2 3 4 5 6 |
print type(soup.name) #<type ‘unicode‘> 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
Python
|
1 2 3 |
print soup.a print soup.a.string print type(soup.a.string) |
运行结果如下
Python
|
1 2 3 |
<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a> Elsie <class ‘bs4.element.Comment‘> |
a 标签里的内容实际上是注释，但是如果我们利用 .string 来输出它的内容，我们发现它已经把注释符号去掉了，所以这可能会给我们带来不必要的麻烦。
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
Python
|
1 2 |
if type(soup.a.string)==bs4.element.Comment: print soup.a.string |
上面的代码中，我们首先判断了它的类型，是否为 Comment 类型，然后再进行其他操作，如打印输出。
6. 遍历文档树
（1）直接子节点
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
Python
|
1 2 |
print soup.head.contents #[<title>The Dormouse‘s story</title>] |
输出方式为列表，我们可以用列表索引来获取它的某一个元素
Python
|
1 2 |
print soup.head.contents[0] #<title>The Dormouse‘s story</title> |
.children
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
Python
|
1 2 |
print soup.head.children #<listiterator object at 0x7f71457f5710> |
我们怎样获得里面的内容呢？很简单，遍历一下就好了，代码及结果如下
Python
|
1 2 |
for child in soup.body.children: print child |
Python
|
1 2 3 4 5 6 7 8 9 |
<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"><!-- Elsie --></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。
Python
|
1 2 |
for child in soup.descendants: print child |
运行结果如下，可以发现，所有的节点都被打印出来了，先生最外层的 HTML标签，其次从 head 标签一个个剥离，以此类推。
Python
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 |
<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"><!-- Elsie --></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"><!-- Elsie --></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"><!-- Elsie --></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"><!-- Elsie --></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
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。例如
Python
|
1 2 3 4 |
print soup.head.string #The Dormouse‘s story print soup.title.string #The Dormouse‘s story |
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
Python
|
1 2 |
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
Python
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 |
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‘ |
.stripped_strings
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
Python
|
1 2 3 4 5 6 7 8 9 10 11 12 |
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
Python
|
1 2 3 |
p = soup.p print p.parent.name #body |
Python
|
1 2 3 |
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
Python
|
1 2 3 |
content = soup.head.title.string for parent in content.parents: print parent.name |
Python
|
1 2 3 4 |
title head html [document] |
（7）兄弟节点
知识点：.next_sibling .previous_sibling 属性
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
Python
|
1 2 3 4 5 6 7 8 9 10 11 |
print soup.p.next_sibling # 实际该处为空白 print soup.p.prev_sibling #None 没有前一个兄弟节点，返回 None print soup.p.next_sibling.next_sibling #<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"><!-- Elsie --></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> #下一个节点的下一个兄弟节点是我们可以看到的节点 |
（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
Python
|
1 2 3 4 5 6 7 8 |
for sibling in soup.a.next_siblings: print(repr(sibling)) # u‘,\n‘ # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> # u‘ and\n‘ # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a> # u‘; and they lived at the bottom of a well.‘ # None |
（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
Python
|
1 |
<head><title>The Dormouse‘s story</title></head> |
那么它的下一个节点便是 title，它是不分层次关系的
Python
|
1 2 |
print soup.head.next_element #<title>The Dormouse‘s story</title> |
（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
Python
|
1 2 3 4 5 6 7 8 9 |
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‘ # <p class="story">...</p> # u‘...‘ # u‘\n‘ # None |
7.搜索文档树
（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
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<b>标签
Python
|
1 2 |
soup.find_all(‘b‘) # [<b>The Dormouse‘s story</b>] |
Python
|
1 2 |
print soup.find_all(‘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>] |
B.传正则表达式
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<body>和<b>标签都应该被找到
Python
|
1 2 3 4 5 |
import re for tag in soup.find_all(re.compile("^b")): print(tag.name) # body # b |
C.传列表
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.下面代码找到文档中所有<a>标签和<b>标签
Python
|
1 2 3 4 5 |
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>] |
D.传 True
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
Python
|
1 2 3 4 5 6 7 8 9 10 11 |
for tag in soup.find_all(True): print(tag.name) # html # head # title # body # p # b # p # a # a |
E.传方法
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 [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:
Python
|
1 2 |
def has_class_but_no_id(tag): return tag.has_attr(‘class‘) and not tag.has_attr(‘id‘) |
将这个方法作为参数传入 find_all() 方法,将得到所有<p>标签:
Python
|
1 2 3 4 |
soup.find_all(has_class_but_no_id) # [<p class="title"><b>The Dormouse‘s story</b></p>, # <p class="story">Once upon a time there were...</p>, # <p class="story">...</p>] |
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
Python
|
1 2 |
soup.find_all(id=‘link2‘) # [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>] |
如果传入 href 参数,Beautiful Soup会搜索每个tag的”href”属性
Python
|
1 2 |
soup.find_all(href=re.compile("elsie")) # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>] |
使用多个指定名字的参数可以同时过滤tag的多个属性
Python
|
1 2 |
soup.find_all(href=re.compile("elsie"), id=‘link1‘) # [<a class="sister" href="http://example.com/elsie" id="link1">three</a>] |
在这里我们想用 class 过滤，不过 class 是 python 的关键词，这怎么办？加个下划线就可以
Python
|
1 2 3 4 |
soup.find_all("a", class_="sister") # [<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>] |
有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性
Python
|
1 2 3 4 |
soup.find_all("a", class_="sister") # [<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>] |
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
Python
|
1 2 |
data_soup.find_all(attrs={"data-foo": "value"}) # [<div data-foo="value">foo!</div>] |
3）text 参数
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
Python
|
1 2 3 4 5 6 7 8 |
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"] |
4）limit 参数
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
Python
|
1 2 3 |
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>] |
5）recursive 参数
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:
Python
|
1 2 3 4 5 6 7 |
<html> <head> <title> The Dormouse‘s story </title> </head> ... |
是否使用 recursive 参数的搜索结果:
Python
|
1 2 3 4 5 |
soup.html.find_all("title") # [<title>The Dormouse‘s story</title>] soup.html.find_all("title", recursive=False) # [] |
（2）find( name , attrs , recursive , text , **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
（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。
8.CSS选择器
我们在写 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
Python
|
1 2 |
print soup.select(‘title‘) #[<title>The Dormouse‘s story</title>] |
Python
|
1 2 |
print soup.select(‘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>] |
Python
|
1 2 |
print soup.select(‘b‘) #[<b>The Dormouse‘s story</b>] |
（2）通过类名查找
Python
|
1 2 |
print soup.select(‘.sister‘) #[<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>] |
（3）通过 id 名查找
Python
|
1 2 |
print soup.select(‘#link1‘) #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>] |
（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
Python
|
1 2 |
print soup.select(‘p #link1‘) #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>] |
直接子标签查找
Python
|
1 2 |
print soup.select("head > title") #[<title>The Dormouse‘s story</title>] |
（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。
Python
|
1 2 |
print soup.select("head > title") #[<title>The Dormouse‘s story</title>] |
Python
|
1 2 |
print soup.select(‘a[href="http://example.com/elsie"]‘) #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>] |
同样，属性仍然可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格
Python
|
1 2 |
print soup.select(‘p a[href="http://example.com/elsie"]‘) #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>] |
好，这就是另一种与 find_all 方法有异曲同工之妙的查找方法，是不是感觉很方便？
总结
本篇内容比较多，把 Beautiful Soup 的方法进行了大部分整理和总结，不过这还不算完全，仍然有 Beautiful Soup 的修改删除功能，不过这些功能用得比较少，只整理了查找提取的方法，希望对大家有帮助！小伙伴们加油！
熟练掌握了 Beautiful Soup，一定会给你带来太多方便，加油吧！