Fork me on GitHub

一文入门BeautifulSoup

Posted on | In , |
Words count in article: 3.9k | Reading time ≈ 15

本文中主要介绍的BeautifulSoup4，从简介、安装、解析器使用、语法介绍、遍历文档树、搜索文档树等进行了介绍，能够快速地入门。

崔庆才-爬虫利器二之BS的用法

BS4-中文

什么是BS4

Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航，查找，修改文档的方式

安装bs4

1
pip  install beautifulsoup4

解析器

安装解析器

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，其中一个是 lxml .根据操作系统不同，可以选择下列方法来安装lxml：

1
2
3
$ apt-get install Python-lxml
$ easy_install lxml
$ pip install lxml

另一个可供选择的解析器是纯Python实现的 html5lib ，html5lib的解析方式与浏览器相同，可以选择下列方法来安装html5lib：

1
2
3
$ apt-get install Python-html5lib
$ easy_install html5lib
$ pip install html5lib

常用解析器比较

下表列出了主要的解析器，以及它们的优缺点:

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

语法

官方解释

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。

提取步骤

使用Beautiful Soup4提取HTML内容，一般要经过以下两步：

  • 处理源代码生成BeautifulSoup对象
  • 使用find_all()或者find()来查找内容

快速入门

使用的是$\color{red}{爱丽丝梦游仙境}$中的一段内容

1
2
3
4
5
6
7
8
9
10
11
12
13
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" 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>
"""

下面👇的内容是对官网中一些案例的提炼，也是经常会使用到的方法。

导入模块

使用之前先导入模块并且指定解析器，创建beautifulsoup对象的时候指定两个参数：

1
2
from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc,'html.parser')  # 1-待解析文档；2-解析器指定

如果文件是在本地，使用open方法先打开再进行解析

1
soup = BeautifulSoup(open('index.html'), 'html.parser')

直接输出

缩进格式化输出-prettify()

能够按照标准的缩进格式进行输出！！！

需要记住该方法，方便查阅内容

浏览结构化数据-标签

  1. 使用soup加上标签能够轻松获取标签相关的内容，比正则更加方便了些。
  • 整个标签
  • 标签名称
  • 标签内容

  1. 如果存在多个相同的标签名，只会取到第一个

如果想查询所有的标签，往下看

  1. 查看相关的属性

四大对象种类

BS将HTML文档解析成一个复杂的树形结构，每个节点都可以看做是Python对象，所有对象可以归纳为4种：

  • Tag
  • NavigableString
  • BeautifulSoup
  • Comment

Tag(标签)

就是HTML中每个标签，下面就是一个完整的title、p标签

1
2
3
<title>The Dormouse's story</title>

<p class="title"><b>The Dormouse's story</b></p>

Tag对象与XML或者HTML原生文档中的tag相同

Tag对象的两个重要属性：name和attributes

name
  1. 每个tag都有自己的name。如果改变tag的name属性，那么将改变当前通过BS对象生成的HTML文档

$\color{red}{注意}$：soup 对象本身的name值是[document]，对于内部其他标签，输出的值便是标签本身的名称

attributes

对于一个tag对象可能具有多个attributes值，比如<a class="sister" href="http://example.com/lacie" id="link2">便有3个属性值。

通过字典和.[attribute]的方式能够获取到属性值

tag的属性可以进行修改、添加和删除等操作，操作方法和字典的一样。

image-20200802150013445

字符串常被包含在tag内.Beautiful Soup用 NavigableString 类来包装tag中的字符串。

上面通过方法得到了标签里面的内容，那怎么得到标签内部的文字呢？很简单：通过.string方法即可

BeautifulSoup(BS对象)

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

因为 BeautifulSoup 对象并不是真正的HTML或XML的tag,所以它没有name和attribute属性。

但有时查看它的 .name 属性是很方便的,所以 BeautifulSoup 对象包含了一个值为 “[document]” 的特殊属性 .name

image-20200802151433110

Comment (注释)

Tag , NavigableString , BeautifulSoup 几乎覆盖了html和xml中的所有内容,但是还有一些特殊对象.容易让人担心的内容是文档的注释部分.

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，看下面的例子：

使用之前最好先进行一个判断：

1
2
if type(soup.a.string) == bs4.element.Comment:  # 如果类型一致
  print(soup.a.string)  # 输出文本内容

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。

遍历文档树🌲

直接子节点

tag的名称

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，比如直接获取tag的name值：

如果想获取到所有a标签的值，使用find_all方法

image-20200802172526968

contents

contents属相将tag的子节点以列表的形式输出，获取到的是标签中的内容部分

image-20200802173641387

children

返回的不是列表形式，可以通过遍历来进行获取子节点。实际上是以列表类型的迭代器

image-20200802174251492

descendants-子孙节点

.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。

1
2
3
4
# 子孙节点

for each in soup.descendants:
    print(each)

结果显示如下内容：

  • html标签的全部内容
  • body标签
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
<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 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"><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"><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>
...

节点内容

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：

如果存在多个子节点，tag就没法确定了，输出的结果就是None

多个节点

strings

repr()方法的使用

stripped_strings

输出的字符串中可能包含了很多的空格或者空行，使用该方法去除多余的空白内容

笔记📒：去除空白内容

父节点相关

parent

parents

将某个元素的所有父辈节点通过递归得到

兄弟节点

单个节点

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

全部节点

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

搜索文档树🌲

在BS4中搜索文档树🌲主要是有两种方法：

  • find_all()
  • find()

前者用的比较更为广泛

find_all()

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。

过滤器贯穿整个搜索的API。它们可以被使用在tag的name中，节点的属性中，字符串或者它们的混合中，具体见下面的实例

传入字符串

直接传入需要查找的某个标签，会将结果以列表的形式展示出来

image-20200808100830578

！！！！！！需要注意的点：

由于HTML中class标签和Python中的class关键字相同，为了不产生冲突，如果遇到要查询class标签的情况，使用class_来代替，这点和XPATH中的写法类似，举个列子：

image-20200808103620660

但是如果使用的是attrs参数，则不用加下划线：

传入正则表达式

如果传入的正则表达式作为参数，BS会通过表达式的match()来匹配内容。

比如我们现在想找所有以b开头的标签，这个时候结果应该是<body>和<b>都被找到，使用的是re模块中的compile()方法

传入列表

如果想同时查找某几个标签，可以通过列表的形式

传入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

传入方法

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。

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

下面的方法校验了当前元素中包含class属性却不包含id属性，那么返回True

1
2
def has_class_no_id(tag):
  return tag.has_attr('class') and not tag.has_attr('id')

将上面的方法传入到find_all方法中，将得到全部的<p>标签，因为它满足上面的要求

keyword

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

  1. 查找id=‘link2’，自动查找id属性

image-20200808104518683

  1. 如果传入 href 参数,Beautiful Soup会搜索每个tag的”href”属性

  1. 使用多个参数同时指定

  1. 使用class标签过滤，需要加上下划线（同上面的道理）

attrs

该参数用来定义一个字典来搜索包含特殊属性的tag，当然也能搜索普通的属性

image-20200808105813813

text

通过text参数来搜索文档中的字符串内容。与name参数的可选值相同：字符串、正则表达式、列表、True

limit

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。

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。

recursive

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，则BS4不会搜索子标签

find()

1
find(name,attrs,text,recursive,**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。

CSS选择器

在写CSS的时候，类名前加上点，id名前加上#。

使用soup.select()的方法类筛选元素，返回的类型是list

标签名查找

类名查找

id名查找

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

  • 标签
  • 属性

直接查找子标签

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。

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

注意点：select 方法返回的都是列表形式的内容，可以遍历获取，通过get_text方法获取具体内容

本文标题:一文入门BeautifulSoup

发布时间:2020年08月02日 - 23:08

原始链接:http://www.renpeter.cn/2020/08/02/%E4%B8%80%E6%96%87%E5%85%A5%E9%97%A8BeautifulSoup.html

许可协议: 署名-非商业性使用-禁止演绎 4.0 国际 转载请保留原文链接及作者。

Coffee or Tea