Spider_Man_4 の BeautifulSoup

一介绍

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.Beautiful Soup会帮你节省数小时甚至数天的工作时间.你可能在寻找 Beautiful Soup3 的文档,Beautiful Soup 3 目前已经停止开发,官网推荐在现在的项目中使用Beautiful Soup 4, 移植到BS4

#安装 Beautiful Soup
pip install beautifulsoup4

#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:

$ 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:

$ apt-get install Python-html5lib

$ easy_install html5lib

$ pip install html5lib

下表列出了主要的解析器,以及它们的优缺点,官网推荐使用lxml作为解析器,因为效率更高. 在Python2.7.3之前的版本和Python3中3.2.2之前的版本,必须安装lxml或html5lib, 因为那些Python版本的标准库中内置的HTML解析方法不够稳定.

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	速度慢不依赖外部扩展

中文文档：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.htmlhttp://beautifulsoup.readthedocs.io/zh_CN/latest/

二：基本使用

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>
"""

#基本使用：容错处理,文档的容错能力指的是在html代码不完整的情况下,使用该模块可以识别该错误。使用BeautifulSoup解析上述代码,能够得到一个 BeautifulSoup 的对象,并能按照标准的缩进格式的结构输出
from bs4 import BeautifulSoup
soup=BeautifulSoup(html_doc,'lxml') #具有容错功能
res=soup.prettify() #处理好缩进，结构化显示
print(res)

三：遍历文档树

遍历文档树：

　　1. 获取标签名　　 name

　　2. 获取标签属性 attrs

　　3. 获取标签内容 text,string,strings

　　4. 嵌套选择 soup.head.title.string

　　5. 子节点，子孙节点

　　　　　　　　　　soup.p.contents # p下所有子节点

　　　　　　　　　　soup.p.children # 返回一个迭代器，包含p下所有子节点

　　　　　　　　　　soup.p.enumerate

　　　　　　　　　　soup.p.descendants # 获取子节点，p下所有标签会被选择出来

　　6. 父节点，祖先节点

　　　　　　　　　　soup.a.parent # 获取a标签的父节点

　　　　　　　　　　parents # 找到a标签所有的祖先节点，父亲的父亲，父亲的父亲的父亲...

　　7. 兄弟节点

　　　　　　　　　　soup.a.next_sibling # 下一个兄弟

　　　　　　　　　　soup.a.previous_silbing　　　 # 上一个兄弟

　　　　　　　　　　soup.a.next_sibling # 下面的兄弟们 -->生成器对象

　　　　　　　　　　soup.a.previous_silbing # 上面的兄弟们 -->生成器对象

#遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个
#1、用法
#2、获取标签的名称
#3、获取标签的属性
#4、获取标签的内容
#5、嵌套选择
#6、子节点、子孙节点
#7、父节点、祖先节点
#8、兄弟节点


from bs4 import BeautifulSoup
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>

<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="title"><b>The Dormouse's story</b></p>
<p class="story">...</p>
"""
# 这里使用'lxml'解析器是因为它容错能力强，同时官方也推荐使用lxml解析器。
# 容错能力是指在html代码不完整的情况下，使用该模块可以识别该错误。
# 使用BeautifulSoup解析上述代码，会得到一个 BeautifulSoup对象，并且可以按照标准的缩进格式结构化输出。

soup = BeautifulSoup(html_doc,'lxml')
res = soup.prettify() # 自动补齐所有的未闭合标签。 自己会处理好缩进。
# print(res)

# 遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个

# 整个文档中，找到你想要的一个标签。
# print(soup.a)  # .的话，是按标签名查找。 只找第一个
# print(soup.a.text) # 文本
# print(soup.a.attrs) # 所有属性，是字典格式
# print(soup.p.b)  # p下面的儿子，孙子，重孙子 一层层找，只找一个
# print(soup.p.contents)  # 将所有儿子放在一个列表里
# print(soup.p.children) # 生成器
# print(list(soup.p.children))
# print(list(soup.p.descendants)) # 子子孙孙  也是生成器
#
# print(soup.a.parent) #  塔爹
# # print(list(soup.a.parents)) # 找到a标签所有的祖先节点，父亲的父亲，父亲的父亲的父亲...

print(soup.a.next_sibling)      # 下一个兄弟
print(soup.a.previous_sibling)  # 上一个兄弟

print(list(soup.a.next_siblings))     # 下面的兄弟们，返回的是一个生成器对象
print(list(soup.a.previous_siblings)) # 上面的兄弟们，返回的是一个生成器对象


"""
输出结果：
<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
Elsie
{'href': 'http://example.com/elsie', 'class': ['sister'], 'id': 'link1'}
None
['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.']
<list_iterator object at 0x1025b15c0>
['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.']
['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">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/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.']
['Once upon a time there were three little sisters; and their names were
']

"""

 1 #遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个
 2 #1、用法
 3 #2、获取标签的名称
 4 #3、获取标签的属性
 5 #4、获取标签的内容
 6 #5、嵌套选择
 7 #6、子节点、子孙节点
 8 #7、父节点、祖先节点
 9 #8、兄弟节点
10 
11 
12 #遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个
13 html_doc = """
14 <html><head><title>The Dormouse's story</title></head>
15 <body>
16 <p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b></p>
17 
18 <p class="story">Once upon a time there were three little sisters; and their names were
19 <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
20 <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
21 <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
22 and they lived at the bottom of a well.</p>
23 
24 <p class="story">...</p>
25 """
26 
27 #1、用法
28 from bs4 import BeautifulSoup
29 soup=BeautifulSoup(html_doc,'lxml')
30 # soup=BeautifulSoup(open('a.html'),'lxml')
31 
32 print(soup.p) #存在多个相同的标签则只返回第一个
33 print(soup.a) #存在多个相同的标签则只返回第一个
34 
35 #2、获取标签的名称
36 print(soup.p.name)
37 
38 #3、获取标签的属性
39 print(soup.p.attrs)
40 
41 #4、获取标签的内容
42 print(soup.p.string) # p下的文本只有一个时，取到，否则为None
43 print(soup.p.strings) #拿到一个生成器对象, 取到p下所有的文本内容
44 print(soup.p.text) #取到p下所有的文本内容
45 for line in soup.stripped_strings: #去掉空白
46     print(line)
47 
48 
49 '''
50 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，如果只有一个子节点那么就输出该子节点的文本，比如下面的这种结构，soup.p.string 返回为None,但soup.p.strings就可以找到所有文本
51 <p id='list-1'>
52     哈哈哈哈
53     <a class='sss'>
54         <span>
55             <h1>aaaa</h1>
56         </span>
57     </a>
58     <b>bbbbb</b>
59 </p>
60 '''
61 
62 #5、嵌套选择
63 print(soup.head.title.string)
64 print(soup.body.a.string)
65 
66 
67 #6、子节点、子孙节点
68 print(soup.p.contents) #p下所有子节点
69 print(soup.p.children) #得到一个迭代器,包含p下所有子节点
70 
71 for i,child in enumerate(soup.p.children):
72     print(i,child)
73 
74 print(soup.p.descendants) #获取子孙节点,p下所有的标签都会选择出来
75 for i,child in enumerate(soup.p.descendants):
76     print(i,child)
77 
78 #7、父节点、祖先节点
79 print(soup.a.parent) #获取a标签的父节点
80 print(soup.a.parents) #找到a标签所有的祖先节点，父亲的父亲，父亲的父亲的父亲...
81 
82 
83 #8、兄弟节点
84 print('=====>')
85 print(soup.a.next_sibling) #下一个兄弟
86 print(soup.a.previous_sibling) #上一个兄弟
87 
88 print(list(soup.a.next_siblings)) #下面的兄弟们=>生成器对象
89 print(soup.a.previous_siblings) #上面的兄弟们=>生成器对象

code

四：搜索文档树

搜索文档树：

　　beautifulsoup定义了很多搜索方法，这里着重介绍

　　　　find() & find_all() ，其他方法的参数和用法类似

　　五种过滤器：字符串、正则、正则表达式、列表、True、方法

  1 # 遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个
  2 
  3 import re
  4 from bs4 import BeautifulSoup
  5 # html_doc = """
  6 # <html><head><title>The Dormouse's story</title></head>
  7 # <body>
  8 #
  9 # <p class="story">Once upon a time there were three little sisters; and their names were
 10 # <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
 11 # <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
 12 # <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
 13 # and they lived at the bottom of a well.</p>
 14 #
 15 # <p class="title"><b>The Dormouse's story</b></p>
 16 # <p class="story">...</p>
 17 # """
 18 #
 19 #
 20 # soup = BeautifulSoup(html_doc,'lxml')
 21 # res = soup.prettify()
 22 
 23 
 24 
 25 # 一：五种过滤器：字符串，正则表达式，列表，True,方法
 26 
 27 # 1：字符串过滤器 # 标签名
 28 # print(soup.find())  # 全部
 29 # soup.find_all(name='a')  # 找所有的标签,  使用字符串匹配标签名。  特点：完全匹配
 30 # soup.find_all(attrs={'class':'sister'})  # 找所有的标签,  使用字符串匹配标签名。  特点：完全匹配
 31 # print(soup.find_all(name='b',text="Dormouse"))    # 匹配不到，因为text不完整。不能模糊匹配。
 32 
 33 # # 2：正则
 34 # soup.find_all(name=re.compile('^b'))  # compile 编译   按标签查找
 35 # soup.find_all(attrs={'id':re.compile('link')})  # compile 编译
 36 
 37 # 3：列表过滤器列表：   任意一个标签都会返回
 38 # 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.
 39 # 下面代码找到文档中所有<a>标签和<b>标签:
 40 # print(soup.find_all(['a','b']))
 41 
 42 # 4：True：可以匹配任何值，会查找到所有的tag，但是不会返回字符串节点。
 43 # print(soup.find_all(True))
 44 # for tag in soup.find_all(True):
 45     # print(tag.contents)
 46     # print(tag.text)
 47     # print(tag)
 48 # 5：方法
 49 # 用于没有找到合适过滤器，就可以定义一个方法，方法只接受一个元素参数。
 50 # 如果该方法，返回一个True，表示当前元素被匹配并被找到，如果不是则返回False。
 51 # def has_class_but_no_id(tag):
 52 #     return tag.has_attr('class') and not tag.has_attr('id')
 53 # print(soup.find_all(has_class_but_no_id))
 54 """
 55 has_class_but_no_id:
 56 [<p class="story">Once upon a time there were three little sisters; and their names were
 57 <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
 58 <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
 59 <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
 60 and they lived at the bottom of a well.</p>, <p class="title"><b>The Dormouse's story</b></p>, <p class="story">...</p>]
 61 """
 62 
 63 # recursive = True  # 当前标签下的子子孙孙
 64 # recursive = False # 当前标签下的儿子
 65 
 66 # 二：find_all(name,attrs,recursive,text,**kwargs)
 67 
 68 # 2.1 name参数是可以使用任何一种类型的过滤器，（字符串，True，正则，列表）
 69 # print(soup.find_all(name=re.compile('^t')))
 70 
 71 # 2.2 keyword：key=value格式, value可以是过滤器（字符串，True，正则，列表）。
 72 # print(soup.find_all(id=re.compile('my')))
 73 # print(soup.find_all(href=re.compile('lacie'),id=re.compile('d'))) #注意类要用class_
 74 # print(soup.find_all(id=True)) #查找有id属性的标签
 75 # 2.2.1 注意事项：！！
 76 # 有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性:
 77 # data_soup = BeautifulSoup('<div data-foo="value">foo!</div>','lxml')
 78 # data_soup.find_all(data-foo="value") #报错：SyntaxError: keyword can't be an expression
 79 # 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:
 80 # print(data_soup.find_all(attrs={"data-foo": "value"}))
 81 # [<div data-foo="value">foo!</div>]
 82 
 83 # 2.3 按照类名查找，注意关键字是class_，class_=value,value可以是五种选择器之一
 84 # print(soup.find_all('a',class_='sister')) #查找类为sister的a标签
 85 # print(soup.find_all('a',class_='sister ssss')) #查找类为sister和sss的a标签，顺序错误也匹配不成功
 86 # print(soup.find_all(class_=re.compile('^sis'))) #查找类为sister的所有标签
 87 
 88 # 2.4 attrs
 89 # print(soup.find_all('p',attrs={'class':'story'}))
 90 
 91 # 2.5 text: 值可以是：字符，列表，True，正则
 92 # print(soup.find_all(text='Elsie'))
 93 # print(soup.find_all('a',text='Elsie'))
 94 #
 95 # # 2.6 limit参数: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
 96 # print(soup.find_all('a',limit=2))
 97 #
 98 # # 2.7 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 .
 99 # print(soup.html.find_all('a'))
100 # print(soup.html.find_all('a',recursive=False))
101 
102 '''
103 像调用 find_all() 一样调用tag
104 find_all() 几乎是Beautiful Soup中最常用的搜索方法,所以我们定义了它的简写方法. 
105 BeautifulSoup 对象和 tag 对象可以被当作一个方法来使用,这个方法的执行结果与调用这个对象的 find_all() 方法相同,下面两行代码是等价的:
106 soup.find_all("a")
107 soup("a")
108 这两行代码也是等价的:
109 soup.title.find_all(text=True)
110 soup.title(text=True)
111 '''
112 
113 
114 # 三：find(name , attrs , recursive , text , **kwargs)
115 # 你可能会想，既然已经有了find_all()了，我干嘛还要find。
116 # find_all() 方法将返回文档中符合条件的所有tag,尽管有时候我们只想得到一个结果.
117 # 比如文档中只有一个<body>标签,那么使用 find_all() 方法来查找<body>标签就不太合适,
118 # 使用 find_all 方法并设置 limit=1 参数不如直接使用 find() 方法.下面两行代码是等价的:
119 
120 # soup.find_all('title', limit=1)
121 # [<title>The Dormouse's story</title>]
122 # soup.find('title')
123 # <title>The Dormouse's story</title>
124 
125 # 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.
126 # find_all() 方法没有找到目标是返回空列表, find() 方法找不到目标时,返回 None .
127 # print(soup.find("nosuchtag"))
128 # None
129 
130 # soup.head.title 是 tag的名字 方法的简写.这个简写的原理就是多次调用当前tag的 find() 方法:
131 #
132 # soup.head.title
133 # <title>The Dormouse's story</title>
134 # soup.find("head").find("title")
135 # <title>The Dormouse's story</title>
136 
137 
138 # 四：css选择器
139 # 该模块提供了select方法来支持css。
140 #该模块提供了select方法来支持css,
141 # 详见官网:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#id37
142 
143 html_doc = """
144 <html><head><title>The Dormouse's story</title></head>
145 <body>
146 <p class="title">
147     <b>The Dormouse's story</b>
148     Once upon a time there were three little sisters; and their names were
149     <a href="http://example.com/elsie" class="sister" id="link1">
150         <span>Elsie</span>
151     </a>
152     <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
153     <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
154     <div class='panel-1'>
155         <ul class='list' id='list-1'>
156             <li class='element'>Foo</li>
157             <li class='element'>Bar</li>
158             <li class='element'>Jay</li>
159         </ul>
160         <ul class='list list-small' id='list-2'>
161             <li class='element'><h1 class='yyyy'>Foo</h1></li>
162             <li class='element xxx'>Bar</li>
163             <li class='element'>Jay</li>
164         </ul>
165     </div>
166     and they lived at the bottom of a well.
167 </p>
168 <p class="story">...</p>
169 """
170 from bs4 import BeautifulSoup
171 soup=BeautifulSoup(html_doc,'lxml')
172 # 4.1 CSS选择器
173 # print(soup.p.select('.sister'))           # 找类名为sister的标签
174 # print(soup.select('.sister span'))        # 找类名为sister的标签下面的span标签
175 
176 # print(soup.select('#link1'))              # 找id为link1的标签
177 # print(soup.select('#link1 span'))         # 找id为link1的标签下面的span标签
178 #
179 print(soup.select('#list-2 .element.xxx'))# 找id为link-2的标签下面的类名为element xxx的标签
180 #
181 # print(soup.select('#list-2')[0].select('.element')) #可以一直select,但其实没必要,一条select就可以了
182 #
183 # # 4.2 获取属性
184 # print(soup.select('#list-2 h1')[0].attrs)
185 #
186 # # 4.3 获取内容
187 # print(soup.select('#list-2 h1')[0].get_text())
188 
189 
190 
191 # 总结:
192 #1、推荐使用lxml解析库
193 #2、讲了三种选择器:标签选择器,find与find_all，css选择器
194     # 1、标签选择器筛选功能弱,但是速度快
195     # 2、建议使用find,find_all查询匹配单个结果或者多个结果
196     # 3、如果对css选择器非常熟悉建议使用select
197 #3、记住常用的获取属性attrs和文本值get_text()的方法

Spider_Man_4 の BeautifulSoup

一 介绍

一介绍