BeautifulSoup4库
和 lxml 一样,Beautiful Soup也是一个HTML/XML 的解析器,主要的功能也是如何解析和图 HTML/XML数据。lxml 只会局部遍历,而Beautiful Soup是基于HTML DOM的,会载入整个文档,解析整个 DOM树,因此时间和内存开销都会大很多,所以性能要低于lxml。BeautifulSoup 用来解析 HTML比较简单,API非常人性化,支持CSS选择器、Python标准库中的HTML解析器,也支持lxml的XML解析器。
安装和文档:
1、安装: pip install bs4
2、中文文档:https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/
几大解析工具对比:
解析工具 | 解析速度 | 使用难度 |
---|---|---|
BeautifulSoup | 最慢 | 最简单 |
lxml | 快 | 简单 |
正则 | 最快 | 最难 |
简单使用:
from bs4 import BeautifulSoup
html = '''
<html><body><div>
<ul>
<li class="item-0" id = 'key'><a href="link1.html">first item</a></li>
<li class="item-1"><a href="link2.html">second item</a></li>
<li class="item-inactive"><a href="link3.html">third item</a></li>
<li class="item -1"><a href="link4.html">fourth item</a></li>
<li class="item-0"><a href="link5.html">fifth item</a>
</ul>
</div>
</body></html>'''
#创建Beautiful Soup对象#使用 lxml解析器来进行解析
bs = BeautifulSoup(html,"lxml")
print(bs.prettify())
基本使用语法
from bs4 import BeautifulSoup
html = '''
<html><body><div>
<ul>
<li class="item-0" id = 'key'>这里是列表第一个<a href="link1.html">first item</a></li>
<li class="item-1">
<a href="link2.html">second item</a></li>
<li class="item-inactive"><a href="link3.html">third item</a></li>
<li class="item-1"><a href="link4.html">fourth item</a></li>
<li class="item-0" id = 'key'><a href="link5.html">fifth item</a>
</ul>
</div>
</body></html>
'''
#创建Beautiful Soup对象
#使用 lxml解析器来进行解析
bs = BeautifulSoup(html,"lxml")
#1、获取所有li标签
# lis = bs.find_all('li')
# for li in lis:
# print(li)
#2、获取第二个li标签
# lis = bs.find_all('li',limit=2)
# print(lis[1])
#3、获取所有class等于item-0的li标签
# lis = bs.find_all('li',class_='item-1')
# print(lis)
#用attrs参数直接写标签属性
# list = bs.find_all('li',attrs = {'class':"item-1"})
# print(list)
#4、将所有id等于item-0,且class等于key 的li标签里取出来
# lis = bs.find_all('li',id='key',class_='item-0')
# print(lis)
# 用attrs参数直接写标签属性
# list = bs.find_all('li',attrs={"class":"item-0","id":"key"})
# print(list)
#5、获取所有a标签的href属性
# aList = bs.find_all('a')
# for a in aList:
# #1、通过下标操作的方式
# href = a['href']
# print(href)
# #2、通过attrs属性的方式
# href= a.attrs['href']
# print(href)
#6、获取所有的文字
lis = bs.find_all('li')
for li in lis:
# aes = li.find_all("a")
# #使用.string方法来提取标签里的文本,返回的是生成器
# text = aes[0].string
# print(text)
#使用.strings可以获取标签内,包括子孙标签的所有的文本、空白字符和换行,返回的是生成器。
# infos = li.strings
# for i in infos:
# print(i)
# 使用.strings可以获取标签内,包括子孙标签 所有非空白字符和换行的文本,返回的是生成器。
infos = list(li.stripped_strings)
print(infos)
#使用.get_text()可以获取标签下的子孙非标签字符串,不是以列表的形式返回,普通字符串返回。
infos = li.get_text()
print(type(infos))
tag = bs.ul
#返回ul元素所有子节点的列表
#print(tag.contents)
#返回ul元素所有子节点的迭代器
for child in tag.children:
print(child)
CSS选择器
1.find和find_all方法:
搜索文档树一把用的比较多的就是两个方法,一个是find,一个是find_all。find方法是找到第一个满足条件的标签后就立即返回,只返回一个元素。 find_all方法就是把所有满足条件的标签都选到,然后返回回去。使用这两个方法,最常用的用法是输入name 以及attrs参数找出符合要求的标签。
soup.find_all("a",attrs={'id':'link2'})
或者是直接传入属性的名字作为关键字参数:
soup.find_all("a",id='link2')
2.select方法:
使用以上方法可以方便的找出元素。但有时候使用css选择器的方式可以更加的方便。使用css选择器的语法,应该使用select 方法。以下列出几种常用的css选择器方法:
(1)通过标签名查找:
print(soup.select('a')
(2)通过类名查找:
通过类名,则应该在类的前面加一个 " . ",比如要查找 class=sister 的标签。示例代码如下:
print(soup.select('.sister'))
(3)通过id查找:
通过id查找,应该在id的名字前面加一个#号。示例代码如下:
print(soup.select("#link1"))
(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:
print(soup.select("p #link1"))
直接子标签查找,则使用 > 分隔:
print(soup.select("head > title"))
(5)通过属性查找:
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。示例代码如下:
print(soup.select('a[href='http://example.com/elsie']'))
(6)获取内容
以上的select方法返回的结果都是列表形式,可以遍历形式输出,让后用get_text()方法来获取它的内容。
其他请看官方文档