BeautifulSoup详解

Posted on | In

BeautifulSoup详解

BeautifulSoup是一个灵活有方便的网页解系库，处理搞笑，支持多种解析器，利用他可以不编写正贼表达式即可方便实现网页信息的提取。

解析库：

1

在此，我们主要用lxml解析器

标签选择器：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
# coding=utf-8
from bs4 import BeautifulSoup as bs

html = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><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>
"""

soup = bs(html, 'lxml')
print(soup.title)
print(type(soup.title))
print(soup.head)
print(type(soup.head))
print(soup.p)
print(type(soup.p))

这里我们print了soup.title、head、p三个标签以及他们的类型，结果如下：

img

他们的类型都是bs.elment.tag，类型，类就是标签类型，并且对于soup.p，是把第一个p标签输出，也就是说有多个相同的标签，只输出第一个

获取名称：

1
print(soup.title.name)

img

输出结果就是title

获取属性：　

1
print(soup.title.attrs['name'])

img

1
print(soup.p['name'])

img

可以看到这两种方式都是相同的

获取内容：

1
print(soup.p.string)

img

嵌套选择：

img

也就是说从body到p，是一个嵌套的关系，p也是说，通过 .head得到的tag还可以进一步 向下索取，通过.body.p得到p标签

子节点和子孙节点（children和contents）：

contents：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
# coding=utf-8
from bs4 import BeautifulSoup as bs

html = """
 <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 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="link2">
    Tillie
   </a>
   ; and they lived at the bottom of a well.
  </p>
  <p class="story">
   ...
  </p>
 </body>
</html>
"""

soup = bs(html, 'lxml')
print(soup.body.contents)

img

可以看到contents属性返回了一个列表，整个p中的内容。把所有的换行符 标签放进了列表

children:

当我们把contents换成children：

1
print(soup.body.children)

contents：

img

它返回了一个迭代器，需要用for循环遍历使用

后代descendants:

1
print(soup.body.descendants)

img

还是一个迭代器，并且descendants是获得所有子孙节点，也就是儿子的儿子也会获得

父节点parent：

返回父节点

img

父节点parents:

img

兄弟节点siblings：

img

以上是标签选择器，是通过名字进行选择，但是在选择时候，往往会有很多名字相同的标签，所以我们不能完全用标签选择器进行选择，故引入标准选择器:

标准选择器：

find_all(name, attrs, recursive, text, \kwargs)**

可根据标签名、属性、内容查找文档， 把所有符合条件的结果，并以列表的形式返回

name：

img

可以看到findall返回的列表中的每一个项哦都是tag类型

由此我们可以嵌套for循环：

1
2
for p in soup.find_all('p'):
    print(p.find_all('a'))

attrs：

1
2
print(soup.find_all(attrs={'id': 'list-1'}))
print(soup.find_all(attrs={'name': 'elements'}))

attr需要传入一个字典

并且对于某一些属性，可以直接用参数传入：

1
2
print(soup.find_all(id='list-1'))
print(soup.find_all(class_='elements'))   #class 是python的一个关键词，所以我们用class_代替class

text：

根据文本的内容选择，而它的返回值仅仅是文本的列表而不是tag

img

img

find(name, attrs, recursive, text, \kwargs)**

与find_all不同是 find返回单个元素，fan_all返回所有元素。 find查找一个不存在的元素返回None

find_parent()和find_parents():

find_parent()返回所有祖先节点，find_parent()返回直接父节点。

find_next_siblings() 和 find_next_sibling()

find_next_siblings() 返回后面所有兄弟节点 find_next_sibling()返回前面一个兄弟节点

find_all_next() 和find_next()

find_all_next()返回节点后所有符合条件的节点，find_next()返回第一个符合条件的节点

find_all_previous()和find_previous()

find_all_previous()返回节点钱所有符合条件的节点，find_previous返回第一个符合条件的节点

css选择器

通过css()直接传入css选择器即可完成选择

标签（什么都不用加）.属性（加点） #id（加井号） 

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
import requests  
from bs4 import BeautifulSoup as bs  
  
html = """ 
<html> 
    <head> 
        <title>The Dormouse's story</title> 
    </head> 
    <body> 
        <p class="title" name="dromouse"> 
            <b>The Dormouse's story</b> 
        </p> 
        <p class="story"> 
            Once upon a time there were three little sisters; and their names were 
            <a class="mysis" href="http://example.com/elsie" id="link1"> 
                <b>the first b tag<b> 
                Elsie 
            </a>, 
            <a class="mysis" href="http://example.com/lacie" id="link2" myname="kong"> 
                Lacie 
            </a>and 
            <a class="mysis" href="http://example.com/tillie" id="link3"> 
                Tillie 
            </a>;and they lived at the bottom of a well. 
        </p> 
        <p class="story"> 
            myStory 
            <a>the end a tag</a> 
        </p> 
        <a>the p tag sibling</a> 
    </body> 
</html> 
"""  
soup = bs(html, 'lxml')  
print(soup.select('p'))  
print(soup.select('p a'))  
print(type(soup.select('p')[0]))

输出结果1是一个包含所有p标签的列表 2是一个包含所有p标签下的a标签的列表，3是class 'bs4.element.Tag'，也就是说。css选择器生成的结果就是一个tag类型的列表。

同时对于soup.select(‘a.mysis‘表示class属性为mysis的所有标签。也即没有空格的表示有某一个属性的或者id的标签。 有空格代表是同等的

又因为select返回的是tag类型的列表，所以我们可以继续使用上面的方法获得属性即：、

1
2
3
4
5
for a in soup.select('p a'):    
    #方法一    
    print(a['href'])    
    #方法二    
    print(a.attrs['href'])

以下罗列出一些css选择器的方法：（以下内容转自https://www.cnblogs.com/kongzhagen/p/6472746.html）

1、通过标签选择

1
2
3
4
5
6
7
8
9
10
11
12
# 选择所有title标签  
soup.select("title")  
# 选择所有p标签中的第三个标签  
soup.select("p:nth-of-type(3)") 相当于soup.select(p)[2]  
# 选择body标签下的所有a标签  
soup.select("body a")  
# 选择body标签下的直接a子标签  
soup.select("body > a")  
# 选择id=link1后的所有兄弟节点标签  
soup.select("#link1 ~ .mysis")  
# 选择id=link1后的下一个兄弟节点标签  
soup.select("#link1 + .mysis")

2、通过类名查找

1
2
# 选择a标签，其类属性为mysis的标签  
soup.select("a.mysis")

3、通过id查找

1
2
# 选择a标签，其id属性为link1的标签  
soup.select("a#link1")

4、通过【属性】查找，当然也适用于class

1
2
3
4
5
6
7
8
9
10
11
12
13
14
# 选择a标签，其属性中存在myname的所有标签  
soup.select("a[myname]")  
# 选择a标签，其属性href=http://example.com/lacie的所有标签  
soup.select("a[href='http://example.com/lacie']")  
# 选择a标签，其href属性以http开头  
soup.select('a[href^="http"]')  
# 选择a标签，其href属性以lacie结尾  
soup.select('a[href$="lacie"]')  
# 选择a标签，其href属性包含.com  
soup.select('a[href*=".com"]')  
# 从html中排除某标签，此时soup中不再有script标签  
[s.extract() for s in soup('script')]  
# 如果想排除多个呢  
[s.extract() for s in soup(['script','fram']

5、获取文本及属性

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
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>; 
    </p> 
        and they lived at the bottom of a well. 
    <p class="story">...</p> 
</body> 
"""  
from bs4 import BeautifulSoup  
''''' 
以列表的形式返回 
'''  
soup = BeautifulSoup(html_doc, 'html.parser')  
s = soup.select('p.story')  
s[0].get_text()  # p节点及子孙节点的文本内容  
s[0].get_text("|")  # 指定文本内容的分隔符  
s[0].get_text("|", strip=True)  # 去除文本内容前后的空白  
print(s[0].get("class"))  # p节点的class属性值列表（除class外都是返回字符串）

在创建 BeautifulSoup 或 UnicodeDammit 对象前一定要先对文档调用 UnicodeDammit.detwingle() 确保文档的编码方式正确.如果尝试去解析一段包含Windows-1252编码的UTF-8文档,就会得到一堆乱码,比如: ☃☃☃“I like snowmen!”.

6、其他

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
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>; 
    </p> 
        and they lived at the bottom of a well. 
    <p class="story">...</p> 
</body> 
"""  
from bs4 import BeautifulSoup  
''''' 
以列表的形式返回 
'''  
soup = BeautifulSoup(html_doc, 'html.parser')  
soup.select('title')  # title标签  
soup.select("p:nth-of-type(3)")  # 第三个p节点  
soup.select('body a')  # body下的所有子孙a节点  
soup.select('p > a')  # 所有p节点下的所有a直接节点  
soup.select('p > #link1')  # 所有p节点下的id=link1的直接子节点  
soup.select('#link1 ~ .sister')  # id为link1的节点后面class=sister的所有兄弟节点  
soup.select('#link1 + .sister')  # id为link1的节点后面class=sister的第一个兄弟节点  
soup.select('.sister')  # class=sister的所有节点  
soup.select('[class="sister"]')  # class=sister的所有节点  
soup.select("#link1")  # id=link1的节点  
soup.select("a#link1")  # a节点，且id=link1的节点  
soup.select('a[href]')  # 所有的a节点，有href属性  
soup.select('a[href="http://example.com/elsie"]')  # 指定href属性值的所有a节点  
soup.select('a[href^="http://example.com/"]')  # href属性以指定值开头的所有a节点  
soup.select('a[href$="tillie"]')  # href属性以指定值结尾的所有a节点  
soup.select('a[href*=".com/el"]')  # 支持正则匹配