1. Beautiful Soup 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。
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 。
可以利用 pip 或者 easy_install 来安装,以下两种方法均可
easy_install beautifulsoup4
pip install beautifulsoup4
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。下载完成之后解压,运行下面的命令即可完成安装(先cd到解压后的目录)
python setup.py install
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.
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 |
安装lxml 和 html5lib:
1 easy_install lxml 2 pip install lxml
1 easy_install html5lib 2 pip install html5lib
3. 创建 Beautiful Soup 对象
首先导入 bs4 库,然后创建beautifulsoup对象
1 from bs4 import BeautifulSoup 2 3 html = """ 4 <html><head><title>The Dormouse's story</title></head> 5 <body> 6 <p class="title" name="dromouse"><b>The Dormouse's story</b></p> 7 <p class="story">Once upon a time there were three little sisters; and their names were 8 <a href="http://example.com/elsie" class="sister" id="link1"><!-- Elsie --></a>, 9 <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and 10 <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; 11 and they lived at the bottom of a well.</p> 12 <p class="story">...</p> 13 """ 14 15 soup = BeautifulSoup(html) 16 soup = BeautifulSoup(open('index.html')) #使用本地文件创建对象
打印一下 soup 对象的内容,格式化输出
1 print soup.prettify()
指定编码:当html为其他类型编码(非utf-8和ascii),比如GB2312的话,则需要指定相应的字符编码,BeautifulSoup才能正确解析。
htmlCharset = "GB2312" soup = BeautifulSoup(respHtml, fromEncoding=htmlChars
from bs4 import BeautifulSoup import bs4 import re # 待分析字符串 html_doc = """ <html> <head> <title>The Dormouse's story</title> </head> <body> <p class="title aq"> <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> </body> </html> """ # 每一段代码中注释部分即为运行结果 # html字符串创建BeautifulSoup对象 soup = BeautifulSoup(html_doc, 'html.parser', from_encoding='utf-8') # 输出第一个 title 标签 print(soup.title) # <title>The Dormouse's story</title> # 输出第一个 title 标签的标签名称 print(soup.title.name) # title # 输出第一个 title 标签的包含内容 print(soup.title.string) # The Dormouse's story # 输出第一个 title 标签的父标签的标签名称 print(soup.title.parent.name) # head # 输出第一个 p 标签 print(soup.p) """ <p class="title aq"> <b> The Dormouse's story </b> </p> """ # 输出第一个 p 标签的 class 属性内容 print(soup.p['class']) # ['title', 'aq'] # 输出第一个 a 标签的 href 属性内容 print(soup.a['href']) # http://example.com/elsie ''''' soup的属性可以被添加,删除或修改. 操作方法与字典一样 ''' # 修改第一个 a 标签的href属性为 http://www.baidu.com/ # soup.a['href'] = 'http://www.baidu.com/' # 给第一个 a 标签添加 name 属性 # soup.a['name'] = u'百度' # 删除第一个 a 标签的 class 属性为 # del soup.a['class'] ##输出第一个 p 标签的所有子节点 print(soup.p.contents) """ [' ', <b> The Dormouse's story </b>, ' '] """ # 输出第一个 a 标签 print(soup.a) # <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a> # 输出所有的 a 标签,以列表形式显示 print(soup.find_all('a')) """ [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>] """ # 输出第一个 id 属性等于 link3 的 a 标签 print(soup.find(id="link3")) # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a> # 获取所有文字内容 print(soup.get_text()) """ 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. ... """ # 输出第一个 a 标签的所有属性信息 print(soup.a.attrs) # {'href': 'http://example.com/elsie', 'class': ['sister'], 'id': 'link1'} for link in soup.find_all('a'): # 获取 link 的 href 属性内容 print(link.get('href')) """ http://example.com/elsie http://example.com/lacie http://example.com/tillie """ # 对soup.p的子节点进行循环输出 for child in soup.p.children: print("对soup.p的子节点进行循环输出", child) """ 对soup.p的子节点进行循环输出 对soup.p的子节点进行循环输出 <b> The Dormouse's story </b> 对soup.p的子节点进行循环输出 """ # 正则匹配,名字中带有b的标签 for tag in soup.find_all(re.compile(r"b")): print(tag.name) """ body b """
4. 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
(1)Tag
Tag 是什么?通俗点讲就是 HTML 中的一个个标签,例如
<title>The Dormouse's story</title> <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
上面的< title>< a> 等、 标签加上里面包括的内容就是 Tag,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。soup.title 得到的是title标签,soup.p 得到的是文档中的第一个p标签,要想得到所有标签,得用find_all函数。find_all 函数返回的是一个序列,可以对它进行循环,依次得到想到的东西.。
我们可以验证一下这些对象的类型
对于 Tag,它有两个重要的属性,是 name 和 attrs
name
1 print soup.name 2 print soup.head.name 3 #[document] 4 #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
1 print soup.p.attrs 2 #{'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
还可以这样,利用get方法,传入属性的名称,二者是等价的
我们可以对这些属性和内容等等进行修改,例如
还可以对这个属性进行删除,例如
1 head = soup.find('head') 2 #head = soup.head 3 #head = soup.contents[0].contents[0] 4 print head 5 6 html = soup.contents[0] # <html> ... </html> 7 head = html.contents[0] # <head> ... </head> 8 body = html.contents[1] # <body> ... </body>
可以通过Tag.attrs访问,返回字典结构的属性。
或者Tag.name这样访问特定属性值,如果是多值属性则以列表形式返回。
(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
1 print soup.p.string 2 #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。来检查一下它的类型
(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
1 print type(soup.name) 2 #<type 'unicode'> 3 print soup.name 4 # [document] 5 print soup.attrs 6 #{} 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
1 print soup.a 2 print soup.a.string 3 print type(soup.a.string)
运行结果如下:
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:
1 if type(soup.a.string)==bs4.element.Comment: 2 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。
5. 遍历文档树
(1)直接子节点
Tag.Tag_child1:直接通过下标名称访问子节点。
Tag.contents:以列表形式返回所有子节点。
Tag.children:生成器,可用于循环访问:for child in Tag.children
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。可以使用 [num] 的形式获得。使用contents向后遍历树,使用parent向前遍历树:
1 print soup.head.contents 2 #[<title>The Dormouse's story</title>]
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
1 print soup.head.contents[0] 2 #<title>The Dormouse's story</title>
.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。
可以使用list可以将其转化为列表。当然可以使用for 语句遍历里面的孩子。
1 print soup.head.children 2 #<listiterator object at 0x7f71457f5710>
我们怎样获得里面的内容呢?很简单,遍历一下就好了:
1 for child in soup.body.children: 2 print child
结果如下:
1 <p class="title" name="dromouse"><b>The Dormouse's story</b></p> 2 3 <p class="story">Once upon a time there were three little sisters; and their names were 4 <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, 5 <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and 6 <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>; 7 and they lived at the bottom of a well.</p> 8 9 10 <p class="story">...</p>
(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。
Tag.descendants:生成器,可用于循环访问:for des inTag.descendants
1 for child in soup.descendants: 2 print child
运行结果如下,可以发现,所有的节点都被打印出来了,先生成最外层的 HTML标签,其次从 head 标签一个个剥离,以此类推。
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 <html><head><title>The Dormouse's story</title></head> 2 <body> 3 <p class="title" name="dromouse"><b>The Dormouse's story</b></p> 4 <p class="story">Once upon a time there were three little sisters; and their names were 5 <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, 6 <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and 7 <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>; 8 and they lived at the bottom of a well.</p> 9 <p class="story">...</p> 10 </body></html> 11 <head><title>The Dormouse's story</title></head> 12 <title>The Dormouse's story</title> 13 The Dormouse's story 14 15 16 <body> 17 <p class="title" name="dromouse"><b>The Dormouse's story</b></p> 18 <p class="story">Once upon a time there were three little sisters; and their names were 19 <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, 20 <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and 21 <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>; 22 and they lived at the bottom of a well.</p> 23 <p class="story">...</p> 24 </body> 25 26 27 <p class="title" name="dromouse"><b>The Dormouse's story</b></p> 28 <b>The Dormouse's story</b> 29 The Dormouse's story 30 31 32 <p class="story">Once upon a time there were three little sisters; and their names were 33 <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, 34 <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and 35 <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>; 36 and they lived at the bottom of a well.</p> 37 Once upon a time there were three little sisters; and their names were 38 39 <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a> 40 Elsie 41 , 42 43 <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> 44 Lacie 45 and 46 47 <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a> 48 Tillie 49 ; 50 and they lived at the bottom of a well. 51 52 53 <p class="story">...</p> 54 ...
(3)节点内容
知识点:.string 属性
Tag.String:Tag只有一个String子节点时,可以这么访问,否则返回None
Tag.Strings:生成器,可用于循环访问:for str in Tag.Strings
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。如果超过一个标签的话,那么就会返回None。例如
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 print soup.head.string 2 #The Dormouse's story 3 print soup.title.string 4 #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
(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
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 for string in soup.strings: 2 print(repr(string)) 3 # u"The Dormouse's story" 4 # u' ' 5 # u"The Dormouse's story" 6 # u' ' 7 # u'Once upon a time there were three little sisters; and their names were ' 8 # u'Elsie' 9 # u', ' 10 # u'Lacie' 11 # u' and ' 12 # u'Tillie' 13 # u'; and they lived at the bottom of a well.' 14 # u' ' 15 # u'...' 16 # u' '
.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:
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 for string in soup.stripped_strings: 2 print(repr(string)) 3 # u"The Dormouse's story" 4 # u"The Dormouse's story" 5 # u'Once upon a time there were three little sisters; and their names were' 6 # u'Elsie' 7 # u',' 8 # u'Lacie' 9 # u'and' 10 # u'Tillie' 11 # u'; and they lived at the bottom of a well.' 12 # u'...'
(5)父节点
知识点: .parent 属性
使用parent获取父节点。
Tag.parent:父节点
Tag.parents:父到根的所有节点
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 body = soup.body 2 html = body.parent # html是body的父亲
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 p = soup.p 2 print p.parent.name 3 #body 4 5 content = soup.head.title.string 6 print content.parent.name 7 #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:
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 content = soup.head.title.string 2 for parent in content.parents: 3 print parent.name 4 5 title 6 head 7 html 8 [document]
(7)兄弟节点
知识点:.next_sibling .previous_sibling 属性
使用nextSibling, previousSibling获取前后兄弟
Tag.next_sibling
Tag.next_siblings
Tag.previous_sibling
Tag.previous_siblings
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。
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 print soup.p.next_sibling 2 # 实际该处为空白 3 print soup.p.prev_sibling 4 #None 没有前一个兄弟节点,返回 None 5 print soup.p.next_sibling.next_sibling 6 #<p class="story">Once upon a time there were three little sisters; and their names were 7 #<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, 8 #<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and 9 #<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>; 10 #and they lived at the bottom of a well.</p> 11 #下一个节点的下一个兄弟节点是我们可以看到的节点
.next方法:只能针对单一元素进行.next,或者说是对contents列表元素的挨个清点。
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 比如 2 soup.contents[1]=u'HTML' 3 soup.contents[2]=u' ' 4 则 soup.contents[1].next 等价于 soup.contents[2] 5 6 head = body.previousSibling # head和body在同一层,是body的前一个兄弟 7 p1 = body.contents[0] # p1, p2都是body的儿子,我们用contents[0]取得p1 8 p2 = p1.nextSibling # p2与p1在同一层,是p1的后一个兄弟, 当然body.content[1]也可得到
contents[]的灵活运用也可以寻找关系节点,寻找祖先或者子孙可以采用findParent(s), findNextSibling(s), findPreviousSibling(s)
(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。
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 for sibling in soup.a.next_siblings: 2 print(repr(sibling)) 3 # u', ' 4 # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> 5 # u' and ' 6 # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a> 7 # u'; and they lived at the bottom of a well.' 8 # 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
1 <head><title>The Dormouse's story</title></head>
那么它的下一个节点便是 title,它是不分层次关系的
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 print soup.head.next_element 2 #<title>The Dormouse's story</title>
(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。
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 for element in last_a_tag.next_elements: 2 print(repr(element)) 3 # u'Tillie' 4 # u'; and they lived at the bottom of a well.' 5 # u' ' 6 # <p class="story">...</p> 7 # u'...' 8 # u' ' 9 # None
6.搜索文档树
最常用的是find_all()函数
(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。
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 #第一个参数为Tag的名称 2 tag.find_all(‘title’) 3 #得到”<title>&%^&*</title>”,结果为一个列表 4 5 第二个参数为匹配的属性 6 tag.find_all(“title”,class=”sister”) 7 #得到如”<title class = “sister”>%^*&</title> 8 9 # 第二个参数也可以为字符串,得到字符串匹配的结果 10 tag.find_all(“title”,”sister”) 11 #得到如”<title class = “sister”>%^*&</title>
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<b>标签
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 soup.find_all('b') 2 # [<b>The Dormouse's story</b>] 3 4 print soup.find_all('a') 5 #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
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<body>和<b>标签都应该被找到
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<a>标签和<b>标签
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
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:
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
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 soup.find_all(id='link2') 2 # [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]
如果传入 href 参数,Beautiful Soup会搜索每个tag的”href”属性
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 data_soup = BeautifulSoup('<div data-foo="value">foo!</div>') 2 data_soup.find_all(data-foo="value") 3 # 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
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。
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 soup.find_all(text="Elsie") 2 # [u'Elsie'] 3 4 soup.find_all(text=["Tillie", "Elsie", "Lacie"]) 5 # [u'Elsie', u'Lacie', u'Tillie'] 6 7 soup.find_all(text=re.compile("Dormouse")) 8 [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
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:
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 <html> 2 <head> 3 <title> 4 The Dormouse's story 5 </title> 6 </head> 7 ...
是否使用 recursive 参数的搜索结果:
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 soup.html.find_all("title") 2 # [<title>The Dormouse's story</title>] 3 4 soup.html.find_all("title", recursive=False) 5 # []
(2)find(name=None, attrs={}, recursive=True, text=None, **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。
.find('p'),.findAll('p'):find返回的是字符串值,而且是返回从头查找到的第一个tag对。但是如果这第一个tag对包括大量的内容,父等级很高,则同时其内部所包含的,此级标签也全部都find。findAll返回值是个列表,如果发现了一个同名标签内含多个同名标签,则内部的标签一并归于该父标签显示,列表其他元素也不再体现那些内含的同名子标签。即findAll会返回所有符合要求的结果,并以list返回。
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 soup.findAll(onclick='document.location...') 2 soup.findAll(attrs={'style':r'outline:none;'}) #用来查找属性中有style='outline:none;的标签体。 # 搜索所有tag 3 4 tag搜索 5 find(tagname) # 直接搜索名为tagname的tag 如:find('head') 6 find(list) # 搜索在list中的tag,如: find(['head', 'body']) 7 find(dict) # 搜索在dict中的tag,如:find({'head':True, 'body':True}) 8 find(re.compile('')) # 搜索符合正则的tag, 如:find(re.compile('^p')) 搜索以p开头的tag 9 find(lambda) # 搜索函数返回结果为true的tag, 如:find(lambda name: if len(name) == 1) 搜索长度为1的tag 10 find(True) # 搜索所有tag 11 12 attrs搜索 13 find(id='xxx') # 寻找id属性为xxx的 14 find(attrs={id=re.compile('xxx'), algin='xxx'}) # 寻找id属性符合正则且algin属性为xxx的 15 find(attrs={id=True, algin=None}) # 寻找有id属性但是没有algin属性的 16 17 resp1 = soup.findAll('a', attrs = {'href': match1}) 18 resp2 = soup.findAll('h1', attrs = {'class': match2}) 19 resp3 = soup.findAll('img', attrs = {'id': match3}) 20 21 text搜索 22 文字的搜索会导致其他搜索给的值如:tag, attrs都失效。方法与搜索tag一致 23 print p1.text 24 # u'This is paragraphone.' 25 print p2.text 26 # u'This is paragraphtwo.' 27 # 注意:1,每个tag的text包括了它以及它子孙的text。2,所有text已经被自动转为unicode,如果需要,可以自行转码encode(xxx) 28 29 recursive和limit属性 30 recursive=False表示只搜索直接儿子,否则搜索整个子树,默认为True。 31 当使用findAll或者类似返回list的方法时,limit属性用于限制返回的数量, 32 如:findAll('p', limit=2): 返回首先找到的两个tag
(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。
7. CSS选择器
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
![](https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif)
1 print soup.select('title') 2 #[<title>The Dormouse's story</title>] 3 4 print soup.select('a') 5 #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>] 6 7 print soup.select('b') 8 #[<b>The Dormouse's story</b>]
(2)通过类名查找
(3)通过 id 名查找
(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
(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。