python中使用beautifulsoup库的超详细教程

1. beautiful soup的简介

简单来说,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。

废话不多说,我们来试一下吧~
2. beautiful soup 安装

beautiful soup 3 目前已经停止开发,推荐在现在的项目中使用beautiful soup 4,不过它已经被移植到bs4了,也就是说导入时我们需要 import bs4 。所以这里我们用的版本是 beautiful soup 4.3.2 (简称bs4),另外据说 bs4 对 python3 的支持不够好,不过我用的是 python2.7.7,如果有小伙伴用的是 python3 版本,可以考虑下载 bs3 版本。

如果你用的是新版的debain或ubuntu,那么可以通过系统的软件包管理来安装,不过它不是最新版本,目前是4.2.1版本

sudo apt-get install python-bs4

如果想安装最新的版本,请直接下载安装包来手动安装,也是十分方便的方法。在这里我安装的是 beautiful soup 4.3.2

beautiful soup 3.2.1beautiful soup 4.3.2

下载完成之后解压

运行下面的命令即可完成安装

sudo python setup.py install

如下图所示,证明安装成功了

2015430164303242.png (722×462)

然后需要安装 lxml

sudo apt-get install python-lxml

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,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。
3. 开启beautiful soup 之旅

在这里先分享官方文档链接,不过内容是有些多,也不够条理,在此本文章做一下整理方便大家参考。

官方文档
4. 创建 beautiful soup 对象

首先必须要导入 bs4 库

from bs4 import beautifulsoup

我们创建一个字符串,后面的例子我们便会用它来演示

html = “””
the dormouse’s story

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.

“””

创建 beautifulsoup 对象

soup = beautifulsoup(html)

另外,我们还可以用本地 html 文件来创建对象,例如

soup = beautifulsoup(open(‘index.html’))

上面这句代码便是将本地 index.html 文件打开,用它来创建 soup 对象

下面我们来打印一下 soup 对象的内容,格式化输出

print soup.prettify()

the dormouse’s story

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.

以上便是输出结果,格式化打印出了它的内容,这个函数经常用到,小伙伴们要记好咯。
5. 四大对象种类

beautiful soup将复杂html文档转换成一个复杂的树形结构,每个节点都是python对象,所有对象可以归纳为4种:

tag
navigablestring
beautifulsoup
comment

下面我们进行一一介绍
(1)tag

tag 是什么?通俗点讲就是 html 中的一个个标签,例如

the dormouse’s story
elsie

上面的 title a 等等 html 标签加上里面包括的内容就是 tag,下面我们来感受一下怎样用 beautiful soup 来方便地获取 tags

下面每一段代码中注释部分即为运行结果

print soup.title
#the dormouse’s story
print soup.head
#the dormouse’s story
print soup.a
#
print soup.p
#

the dormouse’s story

我们可以利用 soup加标签名轻松地获取这些标签的内容,是不是感觉比正则表达式方便多了?不过有一点是,它查找的是在所有内容中的第一个符合要求的标签,如果要查询所有的标签,我们在后面进行介绍。

我们可以验证一下这些对象的类型

print type(soup.a)
#

对于 tag,它有两个重要的属性,是 name 和 attrs,下面我们分别来感受一下

name
print soup.name
print soup.head.name
#[document]
#head

soup 对象本身比较特殊,它的 name 即为 [document],对于其他内部标签,输出的值便为标签本身的名称。

attrs
print soup.p.attrs
#{‘class’: [‘title’], ‘name’: ‘dromouse’}

在这里,我们把 p 标签的所有属性打印输出了出来,得到的类型是一个字典。

如果我们想要单独获取某个属性,可以这样,例如我们获取它的 class 叫什么

print soup.p[‘class’]
#[‘title’]

还可以这样,利用get方法,传入属性的名称,二者是等价的

print soup.p.get(‘class’)
#[‘title’]

我们可以对这些属性和内容等等进行修改,例如

soup.p[‘class’]=”newclass”
print soup.p
#

the dormouse’s story

还可以对这个属性进行删除,例如

del soup.p[‘class’]
print soup.p
#

the dormouse’s story

不过,对于修改删除的操作,不是我们的主要用途,在此不做详细介绍了,如果有需要,请查看前面提供的官方文档
(2)navigablestring

既然我们已经得到了标签的内容,那么问题来了,我们要想获取标签内部的文字怎么办呢?很简单,用 .string 即可,例如

print soup.p.string
#the dormouse’s story

这样我们就轻松获取到了标签里面的内容,想想如果用正则表达式要多麻烦。它的类型是一个 navigablestring,翻译过来叫 可以遍历的字符串,不过我们最好还是称它英文名字吧。

print type(soup.p.string)
#

来检查一下它的类型

print type(soup.p.string)
#

(3)beautifulsoup

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,是一个特殊的 tag,我们可以分别获取它的类型,名称,以及属性来感受一下

print type(soup.name)
#
print soup.name
# [document]
print soup.attrs
#{} 空字典

(4)comment

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,但是如果不好好处理它,可能会对我们的文本处理造成意想不到的麻烦。

我们找一个带注释的标签

print soup.a
print soup.a.string
print type(soup.a.string)

运行结果如下

elsie

a 标签里的内容实际上是注释,但是如果我们利用 .string 来输出它的内容,我们发现它已经把注释符号去掉了,所以这可能会给我们带来不必要的麻烦。

另外我们打印输出下它的类型,发现它是一个 comment 类型,所以,我们在使用前最好做一下判断,判断代码如下

if type(soup.a.string)==bs4.element.comment:
print soup.a.string

上面的代码中,我们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。
6. 遍历文档树
(1)直接子节点

要点:.contents .children 属性

.contents

tag 的 .content 属性可以将tag的子节点以列表的方式输出

print soup.head.contents
#[the dormouse’s story]

输出方式为列表,我们可以用列表索引来获取它的某一个元素

print soup.head.contents[0]
#the dormouse’s story
.children

它返回的不是一个 list,不过我们可以通过遍历获取所有子节点。

我们打印输出 .children 看一下,可以发现它是一个 list 生成器对象

print soup.head.children
#

我们怎样获得里面的内容呢?很简单,遍历一下就好了,代码及结果如下

for child in soup.body.children:
print child

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)所有子孙节点

知识点:.descendants 属性

.descendants

.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。

for child in soup.descendants:
print child

运行结果如下,可以发现,所有的节点都被打印出来了,先生最外层的 html标签,其次从 head 标签一个个剥离,以此类推。

the dormouse’s story

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.

the dormouse’s story
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
,
lacie and
tillie;
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
,
lacie and
tillie;
and they lived at the bottom of a well.

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

(3)节点内容

知识点:.string 属性

如果tag只有一个 navigablestring 类型子节点,那么这个tag可以使用 .string 得到子节点。如果一个tag仅有一个子节点,那么这个tag也可以使用 .string 方法,输出结果与当前唯一子节点的 .string 结果相同。

通俗点说就是: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。例如

print soup.head.string
#the dormouse’s story
print soup.title.string
#the dormouse’s story

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

print soup.html.string
# none

(4)多个内容

知识点: .strings .stripped_strings 属性

.strings

获取多个内容,不过需要遍历获取,比如下面的例子

for string in soup.strings:
print(repr(string))
# u”the dormouse’s story”
# u’\n\n’
# u”the dormouse’s story”
# u’\n\n’
# u’once upon a time there were three little sisters; and their names were\n’
# u’elsie’
# u’,\n’
# u’lacie’
# u’ and\n’
# u’tillie’
# u’;\nand they lived at the bottom of a well.’
# u’\n\n’
# u’…’
# u’\n’

.stripped_strings

输出的字符串中可能包含了很多空格或空行,使用 .stripped_strings 可以去除多余空白内容

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’…’

(5)父节点

知识点: .parent 属性

p = soup.p
print p.parent.name
#body
content = soup.head.title.string
print content.parent.name
#title

(6)全部父节点

知识点:.parents 属性

通过元素的 .parents 属性可以递归得到元素的所有父辈节点,例如

content = soup.head.title.string
for parent in content.parents:
print parent.name

title
head
html
[document]

(7)兄弟节点

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

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

(8)全部兄弟节点

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

for sibling in soup.a.next_siblings:
print(repr(sibling))
# u’,\n’
# lacie
# u’ and\n’
# tillie
# u’; and they lived at the bottom of a well.’
# none

(9)前后节点

知识点:.next_element .previous_element 属性

与 .next_sibling .previous_sibling 不同,它并不是针对于兄弟节点,而是在所有节点,不分层次

比如 head 节点为

the dormouse’s story

那么它的下一个节点便是 title,它是不分层次关系的

print soup.head.next_element
#the dormouse’s story

(10)所有前后节点

知识点:.next_elements .previous_elements 属性

通过 .next_elements 和 .previous_elements 的迭代器就可以向前或向后访问文档的解析内容,就好像文档正在被解析一样

for element in last_a_tag.next_elements:
print(repr(element))
# u’tillie’
# u’;\nand they lived at the bottom of a well.’
# u’\n\n’
#

# u’…’
# u’\n’
# none

7.搜索文档树
(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

1)name 参数

name 参数可以查找所有名字为 name 的tag,字符串对象会被自动忽略掉

a.传字符串

最简单的过滤器是字符串.在搜索方法中传入一个字符串参数,beautiful soup会查找与字符串完整匹配的内容,下面的例子用于查找文档中所有的标签

soup.find_all(‘b’)
# [the dormouse’s story]
print soup.find_all(‘a’)
#[, lacie, tillie]

b.传正则表达式

如果传入正则表达式作为参数,beautiful soup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,这表示和标签都应该被找到

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,beautiful soup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 [4] ,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

下面方法校验了当前元素,如果包含 class 属性却不包含 id 属性,那么将返回 true:

def has_class_but_no_id(tag):
return tag.has_attr(‘class’) and not tag.has_attr(‘id’)

将这个方法作为参数传入 find_all() 方法,将得到所有

标签:

soup.find_all(has_class_but_no_id)
# [

the dormouse’s story

,
#

once upon a time there were…

,
#

]

2)keyword 参数

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

soup.find_all()
# [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”), )
# [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]

有些tag属性在搜索不能使用,比如html5中的 data-* 属性

soup.find_all(“a”, class_=”sister”)
# [elsie,
# lacie,
# tillie]

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!

]

3)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”))
[u”the dormouse’s story”, u”the dormouse’s story”]

4)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.

文档树中有3个tag符合搜索条件,但结果只返回了2个,因为我们限制了返回数量

soup.find_all(“a”, limit=2)
# [elsie,
# lacie]

5)recursive 参数

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 .

一段简单的文档:

代码如下:

the dormouse’s story

是否使用 recursive 参数的搜索结果:

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() 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() 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() 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() 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

注:以上(2)(3)(4)(5)(6)(7)方法参数用法与 find_all() 完全相同,原理均类似,在此不再赘述。

8.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
(1)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]

(2)通过类名查找

print soup.select(‘.sister’)
#[, lacie, tillie]

(3)通过 id 名查找

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

print soup.select(“head > title”)
#[the dormouse’s story]

(5)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(“head > title”)
#[the dormouse’s story]
print soup.select(‘a[href=”http://example.com/elsie”]’)
#[]

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”]’)
#[]

好,这就是另一种与 find_all 方法有异曲同工之妙的查找方法,是不是感觉很方便?
总结

本篇内容比较多,把 beautiful soup 的方法进行了大部分整理和总结,不过这还不算完全,仍然有 beautiful soup 的修改删除功能,不过这些功能用得比较少,只整理了查找提取的方法,希望对大家有帮助!小伙伴们加油!

熟练掌握了 beautiful soup,一定会给你带来太多方便,加油吧!

Posted in 未分类