BeautifulSoup4介紹

CSS 選擇器：BeautifulSoup4

和 lxml 一樣，Beautiful Soup 也是一個HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 數據。

lxml 只會局部遍歷，而Beautiful Soup 是基於HTML DOM的，會載入整個文檔，解析整個DOM樹，因此時間和內存開銷都會大很多，所以性能要低於lxml。

BeautifulSoup 用來解析 HTML 比較簡單，API非常人性化，支持CSS選擇器、Python標準庫中的HTML解析器，也支持 lxml 的 XML解析器。

Beautiful Soup 3 目前已經停止開發，推薦現在的項目使用Beautiful Soup 4。使用 pip 安裝即可：pip install beautifulsoup4

官方文檔：http://beautifulsoup.readthedocs.io/zh_CN/v4.4.0

示例：
首先必須要導入 bs4 庫

# beautifulsoup4_test.py

from bs4 import BeautifulSoup

html = """
<title>The Dormouse's story/<title>

The Dormouse's story

Once upon a time there were three little sisters; and their names were
 ,
  and
 ;
and they lived at the bottom of a well.

...

"""

#創建 Beautiful Soup 對象
soup = BeautifulSoup(html)

#打開本地 HTML 文件的方式來創建對象
#soup = BeautifulSoup(open('index.html'))

#格式化輸出 soup 對象的內容
print soup.prettify()

運行結果：

 
 <title>
 The Dormouse's story 

 /<title>
 
 
 

 
 The Dormouse's story
 
 

 

 Once upon a time there were three little sisters; and their names were
 
 ,
 
 and
 
 ;
and they lived at the bottom of a well.
 

 

 ...
 

 

如果我們在 IPython2 下執行，會看到這樣一段警告：

意思是，如果我們沒有顯式地指定解析器，所以默認使用這個系統的最佳可用HTML解析器(“lxml”)。如果你在另一個系統中運行這段代碼，或者在不同的虛擬環境中，使用不同的解析器造成行為不同。

但是我們可以通過soup = BeautifulSoup(html,“lxml”)方式指定lxml解析器。

四大對象種類

Beautiful Soup將複雜HTML文檔轉換成一個複雜的樹形結構,每個節點都是Python對象,所有對象可以歸納為4種:

Tag
NavigableString
BeautifulSoup
Comment

1. Tag

Tag 通俗點講就是 HTML 中的一個個標籤，例如：

<title>The Dormouse's story/<title>

The Dormouse's story

上面的 title head a p等等 HTML 標籤加上裡面包括的內容就是 Tag，那麼試著使用 Beautiful Soup 來獲取 Tags:

from bs4 import BeautifulSoup 


html = """
<title>The Dormouse's story/<title>

The Dormouse's story

Once upon a time there were three little sisters; and their names were
 ,
  and
 ;
and they lived at the bottom of a well.

...

"""

#創建 Beautiful Soup 對象
soup = BeautifulSoup(html)


print soup.title
# <title>The Dormouse's story/<title>

print soup.head
# <title>The Dormouse's story/<title>

print soup.a
# 

print soup.p
# 
The Dormouse's story


print type(soup.p)
# <class>
/<class>

我們可以利用 soup 加標籤名輕鬆地獲取這些標籤的內容，這些對象的類型是bs4.element.Tag。但是注意，它查找的是在所有內容中的第一個符合要求的標籤。如果要查詢所有的標籤，後面會進行介紹。

對於 Tag，它有兩個重要的屬性，是 name 和 attrs

print soup.name
# [document] #soup 對象本身比較特殊，它的 name 即為 [document]

print soup.head.name
# head #對於其他內部標籤，輸出的值便為標籤本身的名稱

print soup.p.attrs
# {'class': ['title'], 'name': 'dromouse'}
# 在這裡，我們把 p 標籤的所有屬性打印輸出了出來，得到的類型是一個字典。

print soup.p['class'] # soup.p.get('class')
# ['title'] #還可以利用get方法，傳入屬性的名稱，二者是等價的

soup.p['class'] = "newClass"
print soup.p # 可以對這些屬性和內容等等進行修改
# 
The Dormouse's story


del soup.p['class'] # 還可以對這個屬性進行刪除
print soup.p
# 
The Dormouse's story

2. NavigableString

既然我們已經得到了標籤的內容，那麼問題來了，我們要想獲取標籤內部的文字怎麼辦呢？很簡單，用 .string 即可，例如

print soup.p.string
# The Dormouse's story

print type(soup.p.string)
# In [13]: <class>
/<class>

3. BeautifulSoup

BeautifulSoup 對象表示的是一個文檔的內容。大部分時候,可以把它當作 Tag 對象，是一個特殊的 Tag，我們可以分別獲取它的類型，名稱，以及屬性來感受一下

print type(soup.name)
# <type>

print soup.name 
# [document]

print soup.attrs # 文檔本身的屬性為空
# {}
/<type>

4. Comment

Comment 對象是一個特殊類型的 NavigableString 對象，其輸出的內容不包括註釋符號。

print soup.a
# 

print soup.a.string
# Elsie 

print type(soup.a.string)
# <class>
/<class> 

a 標籤裡的內容實際上是註釋，但是如果我們利用 .string 來輸出它的內容時，註釋符號已經去掉了。

遍歷文檔樹

1. 直接子節點 ：.contents .children 屬性
.content
tag 的 .content 屬性可以將tag的子節點以列表的方式輸出

print soup.head.contents 
#[<title>The Dormouse's story/<title>]

輸出方式為列表，我們可以用列表索引來獲取它的某一個元素

print soup.head.contents[0]
#<title>The Dormouse's story/<title>

.children
它返回的不是一個 list，不過我們可以通過遍歷獲取所有子節點。

我們打印輸出 .children 看一下，可以發現它是一個 list 生成器對象

print soup.head.children
#<listiterator>

for child in soup.body.children:
 print child
/<listiterator>

結果:

The Dormouse's story


Once upon a time there were three little sisters; and their names were
 ,
  and
 ;
and they lived at the bottom of a well.


...

2. 所有子孫節點: .descendants 屬性
.contents 和 .children 屬性僅包含tag的直接子節點，.descendants 屬性可以對所有tag的子孫節點進行遞歸循環，和 children類似，我們也需要遍歷獲取其中的內容。

for child in soup.descendants:
 print child

運行結果：

<title>The Dormouse's story/<title>

The Dormouse's story

Once upon a time there were three little sisters; and their names were
 ,
  and
 ;
and they lived at the bottom of a well. 

...


<title>The Dormouse's story/<title>
<title>The Dormouse's story/<title>
The Dormouse's story



The Dormouse's story

Once upon a time there were three little sisters; and their names were
 ,
  and
 ;
and they lived at the bottom of a well.

...




The Dormouse's story

The Dormouse's story
The Dormouse's story


Once upon a time there were three little sisters; and their names were
 ,
  and
 ;
and they lived at the bottom of a well.

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. 節點內容: .string 屬性
如果tag只有一個 NavigableString 類型子節點,那麼這個tag可以使用 .string 得到子節點。如果一個tag僅有一個子節點,那麼這個tag也可以使用 .string 方法,輸出結果與當前唯一子節點的 .string 結果相同。

通俗點說就是：如果一個標籤裡面沒有標籤了，那麼 .string 就會返回標籤裡面的內容。如果標籤裡面只有唯一的一個標籤了，那麼 .string 也會返回最裡面的內容。例如：

print soup.head.string
#The Dormouse's story
print soup.title.string
#The Dormouse's story

搜索文檔樹

**1.find_all(name, attrs, recursive, text, kwargs)

A.傳字符串
最簡單的過濾器是字符串.在搜索方法中傳入一個字符串參數,Beautiful Soup會查找與字符串完整匹配的內容,下面的例子用於查找文檔中所有的標籤:

soup.find_all('b')
# [The Dormouse's story]

print soup.find_all('a')
#[ ,  ,  ]

B.傳正則表達式
如果傳入正則表達式作為參數,Beautiful Soup會通過正則表達式的 match() 來匹配內容.下面例子中找出所有以b開頭的標籤,這表示和標籤都應該被找到

import re
for tag in soup.find_all(re.compile("^b")):
 print(tag.name)
# body
# b

C.傳列表

soup.find_all(["a", "b"])
# [The Dormouse's story,
#  ,
#  ,
#  ]

2）keyword 參數

soup.find_all(id='link2')
# [ ]

3）text 參數

通過 text 參數可以搜搜文檔中的字符串內容，與 name 參數的可選值一樣, text 參數接受 字符串 , 正則表達式 , 列表

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"))
[u"The Dormouse's story", u"The Dormouse's story"]

2. CSS選擇器

這就是另一種與 find_all 方法有異曲同工之妙的查找方法.

寫 CSS 時，標籤名不加任何修飾，類名前加.，id名前加#

在這裡我們也可以利用類似的方法來篩選元素，用到的方法是 soup.select()，返回類型是 list

（1）通過標籤名查找

print soup.select('title') 
#[<title>The Dormouse's story/<title>]

print soup.select('a')
#[ ,  ,  ]

print soup.select('b')
#[The Dormouse's story]

（2）通過類名查找

print soup.select('.sister')
#[ ,  ,  ]

（3）通過 id 名查找

print soup.select('#link1')
#[ ]

（4）組合查找

組合查找即和寫 class 文件時，標籤名與類名、id名進行的組合原理是一樣的，例如查找 p 標籤中，id 等於 link1的內容，二者需要用空格分開

print soup.select('p #link1')
#[ ]

直接子標籤查找，則使用 > 分隔

print soup.select("head > title")
#[<title>The Dormouse's story/<title>]

（5）屬性查找

查找時還可以加入屬性元素，屬性需要用中括號括起來，注意屬性和標籤屬於同一節點，所以中間不能加空格，否則會無法匹配到。

print soup.select('a[class="sister"]')
#[ ,  ,  ]

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

同樣，屬性仍然可以與上述查找方式組合，不在同一節點的空格隔開，同一節點的不加空格

print soup.select('p a[href="http://example.com/elsie"]')
#[ ]

(6) 獲取內容
以上的 select 方法返回的結果都是列表形式，可以遍歷形式輸出，然後用 get_text() 方法來獲取它的內容。

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()

閱讀更多 IT技術資源共享 的文章

關鍵字: HTML XML 介紹