1、Beautiful Soup简介
- Beautiful Soup是Python的一个HTML或XML的解析库。
- Beautiful Soup用Python式的函数来处理导航、搜索、修改分析树等功能
- Beautiful Soup自动将输出文档转化为Unicode编码,将输出文档转化为utf-8编码。
2、解析器
Beautiful Soup在解析时是依赖解析库的,出了除了支持Python标准库中的HTML解析器,还有:
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或3.2.2前的版本中文容错能力差 |
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,‘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’) | 提供最好的容错性、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 |
3、准备工作
pip3 install beautifulSoup4
4、基本使用
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 botto, of a well.</p>
<p class="story">...</p>
'''
from bs4 import BeautifulSoup
soup = BeautifulSoup(html,'lxml')
print(soup.prettify())
print(soup.title.string)
# 首先声明一个变量html,这是一个HTML字符串。但它不是一个完整的HTML字符串(body节点和html节点没有闭合)
# 将它当做第一个参数传给BeautifulSoup对象,该对象的第二个参数为解析器的类型(lxml),赋给soup
# prettify方法可以把要解析的字符串以标准的缩进格斯输出。
# soup.title.string输出HTML中title节点的文本内容。
5、节点选择器
直接调用节点的名称即可选择节点,然后调用string属性就可以得到节点内的文本了。
from bs4 import BeautifulSoup
soup = BeautifulSoup(html,'lxml')
print(soup.title) #<title>The Dormouse's story</title>
print(type(soup.title)) # <class 'bs4.element.Tag'>
print(soup.title.string)# The Dormouse's story
print(soup.head) # <head><title>The Dormouse's story</title></head>
print(soup.p) # <p class="title" name="dromouse"><b>The...
6、提取信息
6.1、获取名称
利用name属性可以获取节点的名称。
print(soup.title.name)
6.2、获取属性
一个节点可能有多个属性,例如id和class等,选择这个节点元素后,可以调用attrs获取其所有属性:返回的是字典类型。
print(soup.p.attrs) # {'class': ['title'], 'name': 'dromouse'}
print(soup.p.attrs['name']) # dromouse
# 还有简便的方法:
print(soup.p['name']) # dromouse
print(soup.p['class']) # ['title']
6.3、获取内容
可以用string属性获取节点元素所包含的文本内容:
print(soup.p.string)
6.4、嵌套选择
通过上述例子知道返回的都是bs4.element.Tag类型,Tag类型的对象同样可以继续调用节点进行下一步的选择。
print(soup.head.title) # <title>The Dormouse's story</title>
print(type(soup.head.title)) # <class 'bs4.element.Tag'>
print(soup.head.title.string) # The Dormouse's story
7、关联选择
7.1、子节点和子孙节点
- 选取节点后,调用contents属性/children属性(返回结果是生成器类型、需要for循环输出。)获取其子节点:
html = '''
<html>
<head>
<title>The Dormouse's story</title>
</head>
<body>
<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 botto, of a well.
</p>
<p class="story">...</p>
'''
from bs4 import BeautifulSoup
soup = BeautifulSoup(html,'lxml')
print(soup.p.contents)
#---------------------------------children----------------------------------------#
print(soup.p.children) # <list_iterator object at 0x000001CC4E318A00>返回结果是生成器类型、需要for循环输出。
for i,child in enumerate(soup.p.children):
print(i,child)
- 调用descendants属性获取所有的子孙节点
print(soup.p.descendants)
for i,child in enumerate(soup.p.descendants):
print(i,child)
7.2、父节点和祖先节点
调用parent属性获取父节点:
print(soup.a.parent)
调用parents属性(生成器类型)获取祖先节点:
print(type(soup.a.parents)) # <class 'generator'> 生成器类型
print(list(enumerate(soup.a.parents)))
7.3、兄弟节点
next_sibling和 previous_sibling分别用于获取节点的下一个和上一个兄弟节点,next_siblings和previous_siblings则分别返回后面和前面的所有兄弟节点
print("next_sibling:",soup.a.next_sibling)
print("previous_sibling:",soup.a.previous_sibling)
print("next_siblings:",list(soup.a.next_siblings))
print("previous_siblings:",list(soup.a.previous_siblings))
7.4、提取信息
print(type(soup.a.next_sibling))
print(soup.a.next_sibling.string)
print(type(soup.a.parents))
print(list(soup.a.parents)[0])
print(list(soup.a.parents)[0].attrs['class'])
- 若返回结果是单个节点,直接调用string、attrs等属性获得其文本和属性;
- 若返回结果是多个节点的生成器,则先将其转为列表,再从中取出某个元素,之后调用string、attrs等属性获取对应节点的文本和属性。
8、方法选择器
8.1、find_all
查询所有符合条件的元素
find_all(name,attrs,resourse,text,**kwargs)
8.1.1、name
可以根据name参数来查询元素。
html = '''
<div class="panel">
<div class="panel-heading">
<h4>Hello</h4>
</div>
<div class="panel-body">
<ul class="list" id="list-1">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>
<ul class="list list-small" id="list-2">
<li class="element">Foo</li>
<li class="element">Bar</li>
</ul>
</div>
</div>
'''
from bs4 import BeautifulSoup
soup = BeautifulSoup(html,'lxml')
print(soup.find_all(name='ul')) # 找到所有ul节点
print(type(soup.find_all(name='ul')[0])) # 类型是列表类型
for ul in soup.find_all(name='ul'): # 每个元素都是bs4.element.Tag类型,for循环取值。
print(ul.find_all(name='li'))
for li in ul.find_all(name='li'):
print(li.string)
8.1.2、attrs
属性条件查询:
print(soup.find_all(attrs={'id':'list-1'}))
print(soup.find_all(attrs={'name':'elements'}))
# 对于常用的属性,例如id和class可以不用加attrs{}。
8.1.4、text
text参数可以用来匹配节点的文本,其传入形式可以是字符串,也可以是正则表达式对象:
print(soup.find_all(text=re.compile('link')))
8.2、find
find方法也可以查询符合条件的元素,只不过find方法返回的是单个元素,也就是第一个匹配元素,而find_all会返回所有匹配的元素组成的列表。
9、CSS选择器
使用CSS选择器,只需要调用select方法,传****入相应的CSS选择器即可。
print(soup.select('.panel .panel-heading'))
print(soup.select('ul li'))
print(soup.select('#list-2 .element'))
print(type(soup.select('ul')[0]))
9.1.1、嵌套选择
select方法同样支持嵌套选择:
for ul in soup.select('ul'):
print(ul.select('li'))
9.1.2、获取属性
直接将属性名传入中括号或着attrs属性获取属性值
for ul in soup.select('ul'):
print(ul['id'])
print(ul.attrs['id'])
9.1.3、获取文本
string属性或者get_text方法
for li in soup.select('li'):
print('Get Text:', li.get_text())
print('String:',li.string)