本系列所有文章基于 python3.5.2
BeautifulSoup 是用来解析 HTML,XML 的 python 库.其功能十分强大,代码十分简洁.
中文文档
1 快速开始
将一段文档传入 BeautifulSoup 的构造方法,就能得到一个文档的对象, 可以传入一段字符串或一个文件句柄.这里用”爱丽丝梦游仙境”的文档来做例子:
from bs4 import BeautifulSoup
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>
"""
soup = BeautifulSoup(html_doc,'html.parser') # 手动指定解析器
print(soup.prettify())2 对象的种类
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 .
2.1 Tag 对象与XML或HTML原生文档中的tag相同:
Tag有很多方法和属性,现在介绍一下tag中最重要的属性:attributes
一个tag可能有很多个属性.
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>上面 Tag 有一个名为href 的属性,值为http:… 一个名为class 的属性,值为sister ..
属性的操作与字典相同:
print(soup.a['href']) # http://example.com/elsie
print(soup.a['class']) # ['sister']
print(soup.a['id']) # link1多值属性:
含多个值的属性.在HTML5中移除了一些,却增加更多.最常见的多值的属性是 class (一个tag可以有多个CSS的class).
2.2 Beautiful Soup 用 NavigableString 类来包装tag中的字符串
print(soup.p.string)
print(type(soup.p.string))NavigableString 可以被替换成其它的字符串,用 replace_with() 方法:
soup.p.string.replace_with('i am a new string')
print(soup.p.string)2.3 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,
它支持 遍历文档树 和 搜索文档树 中描述的大部分的方法.
几个简单的浏览结构化数据的方法:
print(soup.title)
print(soup.title.string)
print(soup.a) # 最近的一个<a>2.4 Comment 注释及特殊字符串
Tag , NavigableString , BeautifulSoup 几乎覆盖了html和xml中的所有内容,
但是还有一些特殊对象.容易让人担心的内容是文档的注释部分:
markup = "<b><!--Hey, buddy. Want to buy a used parser?--></b>"
soup = BeautifulSoup(markup,'html.parser')
comment = soup.b.string
print(comment)
print(type(comment))Comment 本质是一个特殊类型的 NavigableString 对象:
3 遍历文档树
3.1 子节点
操作文档树最简单的方法就是告诉它你想获取的tag的name:
print(soup.head)
print(soup.title)
print(soup.p)
print(soup.a)
这是个获取tag的小窍门,可以在文档树的tag中多次调用这个方法:
print(soup.p.b)通过点取属性的方式只能获得当前名字的 第一个 tag:
print(soup.a)如果想要得到所有的 <a> 标签,或是通过名字得到比一个tag更多的内容的时候,就需要用到 Searching the tree 中描述的方法,比如: find_all()
print(soup.find_all('a'))tag的 .contents 属性可以将tag的子节点以列表的方式输出:
注意:每个一级子节点作为一个content,换行也算一个content
print(len(soup.body.contents))
for content in soup.body.contents:
print(content,"**")通过tag的 .children 生成器,可以对tag的子节点进行循环:
注意: .contents 返回 list; .children返回 list_iterator
print(type(soup.body.children))
for child in soup.body.children:
print(child,"&&").descendants 属性可以对所有tag的子孙节点进行递归循环:
for child in soup.head.descendants:
print(child)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:
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.head.title.string)
print(soup.head.string)如果tag中包含多个字符串 [2] ,可以使用 .strings 来循环获取:
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.strings:
print(repr(string))
for string in soup.stripped_strings:
print(repr(string))3.2 父节点
通过 .parent 属性来获取某个元素的父节点:
print(soup.title.parent)通过元素的 .parents 属性可以递归得到元素的所有父辈节点:
for parent in soup.a.parents:
print(parent.name)兄弟节点: 是同一个元素的子节点且在同一层
.next_sibling 和 .previous_sibling 可以查看上下的兄弟节点(属性通常是字符串或空白)
.next_siblings 和 .previous_siblings 属性可以对当前节点的兄弟节点迭代输出:
a2 = soup.find('a', id='link2')
print(a2.previous_sibling)
print(a2.next_sibling)
for s in a2.next_siblings:
print(s)4 搜索文档树
Beautiful Soup定义了很多搜索方法,这里着重介绍2个: find() 和 find_all()
介绍 find_all() 方法前,先介绍一下过滤器.
4.1 过滤器
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:
print(soup.find_all('b'))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:
for tag in soup.find_all(re.compile("^b")):
print(tag.name)下面代码找出所有名字中包含”t”的标签:
for tag in soup.find_all(re.compile("t")):
print(tag.name)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:(结果按 HTML 顺序排列,跟传入的列表参数顺序无关.)
print(soup.find_all(['a','b']))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)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 ,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')
for tag in soup.find_all(has_class_but_no_id):
print(tag.name)4.2 find_all()
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.这里有几个例子:
print(soup.find_all('title'))
print(soup.find_all('p','title'))
print(soup.find_all('a'))
print(soup.find_all(id='link2'))
print(soup.find(text=re.compile("sisters")))有几个方法很相似,还有几个方法是新的,参数中的 text 和 id 是什么含义? 为什么 find_all(“p”, “title”) 返回的是CSS Class为”title”的<p>标签? 我们来仔细看一下 find_all() 的参数:
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.
重申: 搜索 name 参数的值可以使任一类型的 过滤器: 字符窜,正则表达式,列表,方法或是 True .
keyword 参数
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(id='link2')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"))搜索指定名字的属性时可以使用的参数值包括 字符串 , 正则表达式 , 列表, True :
下面的例子在文档树中查找所有包含 id 属性的tag,无论 id 的值是什么:
soup.find_all(id=True)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"), id='link1')还可以通过 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:
print(soup.find_all(attrs={"class": "sister"}))按CSS搜索
按照CSS类名搜索tag的功能非常实用,但标识CSS类名的关键字 class 在Python中是保留字,使用 class 做参数会导致语法错误.从Beautiful Soup的4.1.1版本开始,可以通过 class_ 参数搜索有指定CSS类名的tag:
print(soup.find_all("a", class_="sister"))class_ 参数同样接受不同类型的 过滤器 :字符串,正则表达式,方法或 True :
for tag in soup.find_all(class_ = True):
print(tag.name)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 .
print(soup.find_all(text='Elsie'))
print(soup.find_all(text=re.compile("Dormouse")))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.
print(soup.find_all('a',limit=2))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 .
例如 <a> 不是直接子节点,下面查找结果为[]
print(soup.find_all('a',recursive=False))像调用 find_all() 一样调用tag
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. 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:
soup.find_all("a")
soup("a")
soup.title.find_all(text=True)
soup.title(text=True)