Python下利用BeautifulSoup解析HTML的实现

参考文档
https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh

转载

https://www.jb51.net/article/178653.htm

摘要

Beautiful Soup 是一个可以从 HTML 或 XML 格式文件中提取数据的 Python 库,他可以将HTML 或 XML 数据解析为Python 对象,以方便通过Python代码进行处理。

文档环境

  • Centos7.5
  • Python2.7
  • BeautifulSoup4

Beautifu Soup 使用说明

Beautiful Soup 的基本功能就是对HTML的标签进行查找及编辑。

基本概念-对象类型

Beautiful Soup 将复杂 HTML 文档转换成一个复杂的树形结构,每个节点都被转换成一个Python 对象,Beautiful Soup将这些对象定义了4 种类型: Tag、NavigableString、BeautifulSoup、Comment 。

 

对象类型 描述
BeautifulSoup 文档的全部内容
Tag HTML的标签
NavigableString 标签包含的文字
Comment 是一种特殊的NavigableString类型,当标签中的NavigableString 被注释时,则定义为该类型

 

安装及引用

1

2

3

4

5

6

# Beautiful Soup

pip install bs4

 

# 解析器

pip install lxml

pip install html5lib

1

2

3

4

5

6

7

8

9

10

11

12

# 初始化

from bs4 import BeautifulSoup

 

# 方法一,直接打开文件

soup = BeautifulSoup(open("index.html"))

 

# 方法二,指定数据

resp = "<html>data</html>"

soup = BeautifulSoup(resp, 'lxml')

 

# soup 为 BeautifulSoup 类型对象

print(type(soup))

标签搜索及过滤

基本方法

标签搜索有find_all() 和find() 两个基本的搜索方法,find_all() 方法会返回所有匹配关键字的标签列表,find()方法则只返回一个匹配结果。

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

51

52

soup = BeautifulSoup(resp, 'lxml')

 

# 返回一个标签名为"a"的Tag

soup.find("a")

 

# 返回所有tag 列表

soup.find_all("a")

 

## find_all方法可被简写

soup("a")

 

#找出所有以b开头的标签

for tag in soup.find_all(re.compile("^b")):

  print(tag.name)

 

#找出列表中的所有标签

soup.find_all(["a", "p"])

 

# 查找标签名为p,class属性为"title"

soup.find_all("p", "title")

 

# 查找属性id为"link2"

soup.find_all(id="link2")

 

# 查找存在属性id的

soup.find_all(id=True)

 

#

soup.find_all(href=re.compile("elsie"), id='link1')

 

#

soup.find_all(attrs={"data-foo": "value"})

 

#查找标签文字包含"sisters"

soup.find(string=re.compile("sisters"))

 

# 获取指定数量的结果

soup.find_all("a", limit=2)

 

# 自定义匹配方法

def has_class_but_no_id(tag):

  return tag.has_attr('class') and not tag.has_attr('id')

soup.find_all(has_class_but_no_id)

 

# 仅对属性使用自定义匹配方法

def not_lacie(href):

    return href and not re.compile("lacie").search(href)

soup.find_all(href=not_lacie)

 

# 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

 

soup.find_all("title", recursive=False)

扩展方法

 

ind_parents() 所有父辈节点
find_parent() 第一个父辈节点
find_next_siblings() 之后的所有兄弟节点
find_next_sibling() 之后的第一个兄弟节点
find_previous_siblings() 之前的所有兄弟节点
find_previous_sibling() 之前的第一个兄弟节点
find_all_next() 之后的所有元素
find_next() 之后的第一个元素
find_all_previous() 之前的所有元素
find_previous() 之前的第一个元素

 

CSS选择器

Beautiful Soup支持大部分的CSS选择器 http://www.w3.org/TR/CSS2/selector.html, 在 Tag 或 BeautifulSoup 对象的 .select() 方法中传入字符串参数, 即可使用CSS选择器的语法找到tag。

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

51

52

53

54

55

56

57

58

59

60

61

62

63

html_doc = """

<html>

<head>

 <title>The Dormouse's story</title>

</head>

<body>

 <p class="title"><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" rel="external nofollow" class="sister" id="link1">Elsie</a>,

  <a href="http://example.com/lacie" rel="external nofollow" class="sister" id="link2">Lacie</a>

  and

  <a href="http://example.com/tillie" rel="external nofollow" class="sister" id="link3">Tillie</a>;

  and they lived at the bottom of a well.

 </p>

 

 <p class="story">...</p>

"""

 

soup = BeautifulSoup(html_doc)

 

# 所有 a 标签

soup.select("a")

 

# 逐层查找

soup.select("body a")

soup.select("html head title")

 

# tag标签下的直接子标签

soup.select("head > title")

soup.select("p > #link1")

 

# 所有匹配标签之后的兄弟标签

soup.select("#link1 ~ .sister")

 

# 匹配标签之后的第一个兄弟标签

soup.select("#link1 + .sister")

 

# 根据calss类名

soup.select(".sister")

soup.select("[class~=sister]")

 

# 根据ID查找

soup.select("#link1")

soup.select("a#link1")

 

# 根据多个ID查找

soup.select("#link1,#link2")

 

# 根据属性查找

soup.select('a[href]')

 

# 根据属性值查找

soup.select('a[href^="http://example.com/"]')

soup.select('a[href$="tillie"]')

soup.select('a[href*=".com/el"]')

 

# 只获取一个匹配结果

soup.select(".sister", limit=1)

 

# 只获取一个匹配结果

soup.select_one(".sister")

标签对象方法

标签属性

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

soup = BeautifulSoup('<p class="body strikeout" id="1">Extremely bold</p><p class="body strikeout" id="2">Extremely bold2</p>')

# 获取所有的 p标签对象

tags = soup.find_all("p")

# 获取第一个p标签对象

tag = soup.p

# 输出标签类型

type(tag)

# 标签名

tag.name

# 标签属性

tag.attrs

# 标签属性class 的值

tag['class']

# 标签包含的文字内容,对象NavigableString 的内容

tag.string

 

# 返回标签内所有的文字内容

for string in tag.strings:

  print(repr(string))

 

# 返回标签内所有的文字内容, 并去掉空行

for string in tag.stripped_strings:

  print(repr(string))

 

# 获取到tag中包含的所有及包括子孙tag中的NavigableString内容,并以Unicode字符串格式输出

tag.get_text()

## 以"|"分隔

tag.get_text("|")

## 以"|"分隔,不输出空字符

tag.get_text("|", strip=True)

获取子节点

tag.contents # 返回第一层子节点的列表

tag.children # 返回第一层子节点的listiterator 对象

for child in tag.children:

  print(child)

 

tag.descendants # 递归返回所有子节点

for child in tag.descendants:

  print(child)

获取父节点

1

2

3

4

5

6

7

8

tag.parent # 返回第一层父节点标签

tag.parents # 递归得到元素的所有父辈节点

 

for parent in tag.parents:

  if parent is None:

    print(parent)

  else:

    print(parent.name)

获取兄弟节点

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

# 下一个兄弟元素

tag.next_sibling

 

# 当前标签之后的所有兄弟元素

tag.next_siblings

for sibling in tag.next_siblings:

  print(repr(sibling))

 

# 上一个兄弟元素

tag.previous_sibling

 

# 当前标签之前的所有兄弟元素

tag.previous_siblings

for sibling in tag.previous_siblings:

  print(repr(sibling))

元素的遍历

Beautiful Soup中把每个tag定义为一个“element”,每个“element”,被自上而下的在HTML中排列,可以通过遍历命令逐个显示标签

1

2

3

4

5

6

7

8

9

10

11

12

# 当前标签的下一个元素

tag.next_element

 

# 当前标签之后的所有元素

for element in tag.next_elements:

  print(repr(element))

 

# 当前标签的前一个元素

tag.previous_element

# 当前标签之前的所有元素

for element in tag.previous_elements:

  print(repr(element))

修改标签属性

1

2

3

4

5

6

7

8

9

soup = BeautifulSoup('<b class="boldest">Extremely bold</b>')

tag = soup.b

 

tag.name = "blockquote"

tag['class'] = 'verybold'

tag['id'] = 1

 

tag.string = "New link text."

print(tag)

修改标签内容(NavigableString)

1

2

3

soup = BeautifulSoup('<b class="boldest">Extremely bold</b>')

tag = soup.b

tag.string = "New link text."

添加标签内容(NavigableString)

1

2

3

4

5

6

7

8

9

10

soup = BeautifulSoup("<a>Foo</a>")

tag = soup.a

tag.append("Bar")

tag.contents

 

# 或者

 

new_string = NavigableString("Bar")

tag.append(new_string)

print(tag)

添加注释(Comment)

注释是一个特殊的NavigableString 对象,所以同样可以通过append() 方法进行添加。

1

2

3

4

5

from bs4 import Comment

soup = BeautifulSoup("<a>Foo</a>")

new_comment = soup.new_string("Nice to see you.", Comment)

tag.append(new_comment)

print(tag)

添加标签(Tag)

添加标签方法有两种,一种是在指定标签的内部添加(append方法),另一种是在指定位置添加(insert、insert_before、insert_after方法)

append方法

1

2

3

4

5

6

soup = BeautifulSoup("<b></b>")

tag = soup.b

new_tag = soup.new_tag("a", href="http://www.example.com" rel="external nofollow" )

new_tag.string = "Link text."

tag.append(new_tag)

print(tag)

* insert方法,是指在当前标签子节点列表的指定位置插入对象(Tag或NavigableString)

1

2

3

4

5

6

html = '<b><a href="http://example.com/" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" >I linked to <i>example.com</i></a></b>'

soup = BeautifulSoup(html)

tag = soup.a

tag.contents

tag.insert(1, "but did not endorse ")

tag.contents

insert_before() 和 insert_after() 方法则在当前标签之前或之后的兄弟节点添加元素

1

2

3

4

5

6

html = '<b><a href="http://example.com/" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" >I linked to <i>example.com</i></a></b>'

soup = BeautifulSoup(html)

tag = soup.new_tag("i")

tag.string = "Don't"

soup.b.insert_before(tag)

soup.b

* wrap() 和 unwrap()可以对指定的tag元素进行包装或解包,并返回包装后的结果。

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

```python

# 添加包装

soup = BeautifulSoup("<p>I wish I was bold.</p>")

soup.p.string.wrap(soup.new_tag("b"))

#输出 <b>I wish I was bold.</b>

 

soup.p.wrap(soup.new_tag("div"))

#输出 <div><p><b>I wish I was bold.</b></p></div>

 

# 拆解包装

markup = '<a href="http://example.com/" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" >I linked to <i>example.com</i></a>'

soup = BeautifulSoup(markup)

a_tag = soup.a

 

a_tag.i.unwrap()

a_tag

#输出 <a href="http://example.com/" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" >I linked to example.com</a>

删除标签

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

html = '<b><a href="http://example.com/" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" >I linked to <i>example.com</i></a></b>'

soup = BeautifulSoup(html)

# 清楚当前标签的所有子节点

soup.b.clear()

 

# 将当前标签及所有子节点从soup 中移除,返回当前标签。

b_tag=soup.b.extract()

b_tag

soup

 

# 将当前标签及所有子节点从soup 中移除,无返回。

soup.b.decompose()

 

# 将当前标签替换为指定的元素

tag=soup.i

new_tag = soup.new_tag("p")

new_tag.string = "Don't"

tag.replace_with(new_tag)

其他方法

输出

1

2

3

# 格式化输出

tag.prettify()

tag.prettify("latin-1")

  • 使用Beautiful Soup解析后,文档都被转换成了Unicode,特殊字符也被转换为Unicode,如果将文档转换成字符串,Unicode编码会被编码成UTF-8.这样就无法正确显示HTML特殊字符了
  • 使用Unicode时,Beautiful Soup还会智能的把“引号”转换成HTML或XML中的特殊字符

文档编码

使用Beautiful Soup解析后,文档都被转换成了Unicode,其使用了“编码自动检测”子库来识别当前文档编码并转换成Unicode编码。

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

soup = BeautifulSoup(html)

soup.original_encoding

 

# 也可以手动指定文档的编码

soup = BeautifulSoup(html, from_encoding="iso-8859-8")

soup.original_encoding

 

# 为提高“编码自动检测”的检测效率,也可以预先排除一些编码

soup = BeautifulSoup(markup, exclude_encodings=["ISO-8859-7"])

通过Beautiful Soup输出文档时,不管输入文档是什么编码方式,默认输出编码均为UTF-8编码

文档解析器

Beautiful Soup目前支持, “lxml”, “html5lib”, 和 “html.parser”

 

soup=BeautifulSoup("<a><b /></a>")

soup

#输出: <html><body><a><b></b></a></body></html>

soup=BeautifulSoup("<a></p>", "lxml")

soup

#输出: <html><body><a></a></body></html>

soup=BeautifulSoup("<a></p>", "html5lib")

soup

#输出: <html><head></head><body><a><p></p></a></body></html>

soup=BeautifulSoup("<a></p>", "html.parser")

soup

#输出: <a></a>

上一篇:dpdk 不同版本下载地址


下一篇:英语思维-20211021