本文实例讲述了Python HTML解析器BeautifulSoup用法。分享给大家供大家参考,具体如下:
BeautifulSoup简介
我们知道,Python拥有出色的内置HTML解析器模块——HTMLParser,然而还有一个功能更为强大的HTML或XML解析工具——BeautifulSoup(美味的汤),它是一个第三方库。简单来说,BeautifulSoup最主要的功能是从网页抓取数据。本文我们来感受一下BeautifulSoup的优雅而强大的功能吧!
BeautifulSoup安装
BeautifulSoup3 目前已经停止开发,推荐在现在的项目中使用BeautifulSoup4,不过它已经被移植到bs4了,也就是说导入时我们需要 import bs4 。可以利用 pip 或者 easy_install 两种方法来安装。下面采用pip安装。
pip install beautifulsoup4 pip install lxml
建议同时安装"lxml"模块,BeautifulSoup支持Python标准库中的HTML解析器(HTMLParser),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。
创建对象
安装后,创建对象:
soup = BeautifulSoup(markup='html文件', 'lxml')
格式化输出:
soup.prettify()
BeautifulSoup四大对象类型
BeautifulSoup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(标签)
- NavigableString(内容)
- BeautifulSoup(文档)
- Comment(注释)
1.Tag类型
即HTML的整个标签,如获取
print soup.title #The Dormouse's story
Tag有两个重要属性:name,attrs。
name
即HTML的标签名称:
print soup.name #[document] print soup.head.name #head
attrs
即HTML的标签属性字典:
print soup.p.attrs #{'class': ['title'], 'name': 'dromouse'}
如果想要单独获取某个属性:
print soup.p['class'] #['title']
2.NavigableString类型
既然我们已经得到了整个标签,那么问题来了,我们要想获取标签内部的文字内容怎么办呢?很简单,用 string 即可:
print soup.p.string #The Dormouse's story
3.BeautifulSoup类型
BeautifulSoup 对象表示的是一个文档的全部内容.:
print soup.name # [document]
4.Comment类型
HTML的注释内容,注意的是,不包含注释符号。我们首先判断它的类型,是否为 Comment 类型,然后再进行其他 *** 作,如打印输出:
if type(soup.a.string)==bs4.element.Comment: print soup.a.string #
遍历文档树
1.子节点
contents
获取所有子节点,返回列表:
print soup.head.contents #[The Dormouse's story ]
children
获取所有子节点,返回列表生成器:
print soup.head.children ### 需要遍历 for child in soup.body.children: print child ## 结果 The Dormouse's story
once upon a time there were three little sisters; and their names were , Lacie and Tillie; and they lived at the bottom of a well.
...
2.节点内容
string
返回单个文本内容。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。例如:
print soup.head.string print soup.title.string #The Dormouse's story #The Dormouse's story print soup.html.string # None
strings
返回多个文本内容,且包含空行和空格。
stripped_strings
返回多个文本内容,且不包含空行和空格:
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'...'
get_text()方法
返回当前节点和子节点的文本内容。
from bs4 import BeautifulSoup html_doc = """The Dormouse's story The Dormouse's story
once upon a time there were three little sisters; and their names were Elsie, Lacie and Tillie; and they lived at the bottom of a well.
...
""" soup = BeautifulSoup(markup=html_doc,features='lxml') node_p_text=soup.find('p',class_='story').get_text() # 注意class_带下划线 print(node_p_text) # 结果 once upon a time there were three little sisters; and their names were Elsie, Lacie and Tillie; and they lived at the bottom of a well.
3.父节点
parent
返回某节点的直接父节点:
p = soup.p print p.parent.name #body
parents
返回某节点的所有父辈及以上辈的节点:
content = soup.head.title.string for parent in content.parents: print parent.name ## 结果 title head html [document]
4.兄弟节点
next_sibling
next_sibling 属性获取该节点的下一个兄弟节点,结果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。
previous_sibling
previous_sibling 属性获取该节点的上一个兄弟节点。
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 #once upon a time there were three little sisters; and their names were #, #Lacie and #Tillie; #and they lived at the bottom of a well.
#下一个节点的下一个兄弟节点是我们可以看到的节点
next_siblings、previous_siblings
迭代获取全部兄弟节点。
5.前后节点
next_element、previous_element
不是针对于兄弟节点,而是在于所有节点,不分层次的前一个和后一个节点。
next_elements、previous_elements
迭代获取所有前和后节点。
搜索文档树
1.find_all(name=None, attrs={}, recursive=True, text=None, limit=None, **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。
参数说明
name参数
name参数很强大,可以传多种方式的参数,查找所有名字为 name 的tag,字符串对象会被自动忽略掉。
(a)传标签名
最简单的过滤器是标签名。在搜索方法中传入一个标签名参数,BeautifulSoup会查找与标签名完整匹配的内容,下面的例子用于查找文档中所有的标签:
print soup.find_all('a') #[, Lacie, Tillie]
返回结果列表中的元素仍然是BeautifulSoup对象。
(b)传正则表达式
如果传入正则表达式作为参数,BeautifulSoup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
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,BeautifulSoup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标签和标签:
soup.find_all(["a", "b"]) # [The Dormouse's story, # Elsie, # Lacie, # Tillie]
(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:
for tag in soup.find_all(True): print(tag.name) # html # head # title # body # p # b # p # a # a
(e)传函数
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:
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) # [The Dormouse's story
, #once upon a time there were...
, #...
]
keyword参数
注意的是,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,BeautifulSoup会搜索每个tag的”id”属性:
soup.find_all(id='link2') # [Lacie]
如果传入 href 参数,Beautiful Soup会搜索每个tag的"href"属性:
soup.find_all(href=re.compile("elsie")) # [Elsie]
使用多个指定名字的参数可以同时过滤tag的多个属性:
soup.find_all(href=re.compile("elsie"), id='link1') # [three]
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:
soup.find_all("a", class_="sister") # [Elsie, # Lacie, # Tillie]
attrs参数
有些tag属性在搜索不能使用,比如HTML5中的 " data-* " 自定义属性:
data_soup = BeautifulSoup('foo!') data_soup.find_all(data-foo="value") # SyntaxError: keyword can't be an expression ## 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 data_soup.find_all(attrs={"data-foo": "value"}) # [foo!]
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。
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")) # 模糊查找 [u"The Dormouse's story", u"The Dormouse's story"]
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。
soup.find_all("a", limit=2) # [Elsie, # Lacie]
recursive参数
调用tag的 find_all() 方法时,BeautifulSoup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.html.find_all("title") # [The Dormouse's story ] 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() 和 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() 和 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() 和 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() 和 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。
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。
通过标签名查找
print soup.select('title') #[The Dormouse's story ] print soup.select('a') #[, Lacie, Tillie] print soup.select('b') #[The Dormouse's story]
通过类名查找
print soup.select('.sister') #[, Lacie, Tillie]
通过 id 名查找
print soup.select('#link1') #[]
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:
print soup.select("head > title") #[The Dormouse's story ]
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。
print soup.select('a[class="sister"]') #[, Lacie, Tillie] print soup.select('a[href="http://example.com/elsie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" ]') #[]
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:
print soup.select('p a[href="http://example.com/elsie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" ]') #[]
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,然后用 string或get_text() 方法来获取它的内容:
soup = BeautifulSoup(html, 'lxml') print type(soup.select('title')) print soup.select('title')[0].get_text() for title in soup.select('title'): print title.get_text()
更多关于Python相关内容可查看本站专题:《Python Socket编程技巧总结》、《Python正则表达式用法总结》、《Python数据结构与算法教程》、《Python函数使用技巧总结》、《Python字符串 *** 作技巧汇总》、《Python入门与进阶经典教程》及《Python文件与目录 *** 作技巧汇总》
希望本文所述对大家Python程序设计有所帮助。
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)