Python对html解析(BeautifulSoup)

Dear 丶 2021-09-21 12:54 471阅读 0赞

## **微信搜索：“二十同学” 公众号，欢迎关注一条不一样的成长之路** ##

# BeautifulSoup简介 #

BeautifulSoup是一个高效的网页解析库，可以从 HTML 或 XML 文件中提取数据。BeautifulSoup支持不同的解析器，比如，对HTML解析，对XML解析，对HTML5解析。一般情况下，我们用的比较多的是 lxml 解析器。

# BeautifulSoup安装 #

BeautifulSoup3 目前已经停止更新，推荐在现在的项目中使用BeautifulSoup4，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 两种方法来安装。下面采用pip安装。

**pip install beautifulsoup4**

**　　pip install lxml**

建议同时安装"lxml"模块，BeautifulSoup支持Python标准库中的HTML解析器（"html.parser"），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。

### 创建对象 ###

安装后，创建对象：soup = BeautifulSoup(markup='类html字符串', 'lxml')　　\# 这里有个坑，"lxml" 解析器会将所有节点名称转为小写！使用 "xml" 解析器则不会转换。所以操作XML用“xml”，操作HTML用“lxml”。

格式化输出：soup.prettify()

# BeautifulSoup四大对象类型 #

BeautifulSoup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：

*  BeautifulSoup（文档）
 *  Tag（标签）
 *  NavigableString（内容）
 *  Comment（注释）

### 1.BeautifulSoup类型（文档） ###

BeautifulSoup对象表示的是一个文档的全部内容：

print soup.name 
    # [document]

### 2.Tag类型（标签） ###

即HTML的整个标签，如获取<title>标签：

print soup.title
 #<title>The Dormouse's story</title>

Tag有两个重要属性：name，attrs。

name

即HTML的标签名称：

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

attrs

即HTML的标签属性字典：

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

如果想要单独获取某个属性：

print soup.p['class']
    #['title']

### 3.NavigableString类型（内容） ###

既然我们已经得到了整个标签，那么问题来了，我们要想获取标签内部的文字内容怎么办呢？很简单，用 string 即可：

print soup.p.string
    #The Dormouse's story

### 4.Comment类型（注释） ###

HTML的注释内容，注意的是，不包含注释符号。我们首先判断它的类型，是否为 Comment 类型，然后再进行其他操作，如打印输出：

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

# 遍历文档树 #

### 1.子节点 ###

contents

获取所有子节点，返回列表：

print soup.head.contents 
 #[<title>The Dormouse's story</title>]

children

获取所有子节点，返回列表生成器：

print soup.head.children
 #<listiterator object at 0x7f71457f5710>
 
 ## 需要遍历
 for child in soup.body.children:
 print child
 
 ## 结果
 The Dormouse's story
 
 Once upon a time there were three little sisters; and their names were
 <a class="sister" href="http://example.com/elsie" id="link1"></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.
 
 
 ...

### 2.节点内容 ###

string

返回单个文本内容。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。例如：

print soup.head.string
    print soup.title.string
    #The Dormouse's story
    #The Dormouse's storyprint soup.html.string# None

strings

返回多个文本内容，且包含空行和空格。

stripped\_strings

返回多个文本内容，且不包含空行和空格：

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'...'

get\_text()方法

返回当前节点和子节点的文本内容。

from bs4 import BeautifulSoup
 
 html_doc = """
 <html><head><title>The Dormouse's story</title></head>
 <body>
 The Dormouse's story
 Once upon a time there were three little sisters; and their names were
 <a href="http://example.com/elsie" class="sister1" id="link1">Elsie</a>,
 <a href="http://example.com/lacie" class="sister2" id="link2">Lacie</a> and
 <a href="http://example.com/tillie" class="sister3" id="link3">Tillie</a>;
 and they lived at the bottom of a well.
 
 ...
 </body>
 </html>
 """
 
 soup = BeautifulSoup(markup=html_doc,features='lxml')
 
 node_p_text=soup.find('p',class_='story').get_text()　　　　# 注意class_带下划线
 print(node_p_text)
 
 # 结果
 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.

### 3.父节点 ###

parent

返回某节点的直接父节点：

p = soup.p
    print p.parent.name
    #body

parents

返回某节点的所有父辈及以上辈的节点：

content = soup.head.title.string
    for parent in  content.parents:
        print parent.name
    
    ## 结果
    title
    head
    html
    [document]

### 4.兄弟节点 ###

next\_sibling

next\_sibling 属性获取该节点的下一个兄弟节点，结果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。

previous\_sibling

previous\_sibling 属性获取该节点的上一个兄弟节点。

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
 #<a class="sister" href="http://example.com/elsie" id="link1"></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.
 #下一个节点的下一个兄弟节点是我们可以看到的节点

next\_siblings、previous\_siblings

迭代获取全部兄弟节点。

### 5.前后节点 ###

next\_element、previous\_element

不是针对于兄弟节点，而是在于所有节点，不分层次的前一个和后一个节点。

next\_elements、previous\_elements

迭代获取所有前和后节点。

# 搜索文档树 #

### 1.find\_all(name=None, attrs=\{\}, recursive=True, text=None, limit=None, \*\*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。

### 参数说明 ###

name参数

name参数很强大，可以传多种方式的参数，查找所有名字为 name 的tag，字符串对象会被自动忽略掉。

（a）传标签名　　最简单的过滤器是标签名。在搜索方法中传入一个标签名参数，BeautifulSoup会查找与标签名完整匹配的内容，下面的例子用于查找文档中所有的<a>标签：

print soup.find_all('a')
 #[<a class="sister" href="http://example.com/elsie" id="link1"></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>]

**返回结果列表中的元素仍然是BeautifulSoup对象。**

（b）传正则表达式

如果传入正则表达式作为参数，BeautifulSoup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，BeautifulSoup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>标签和标签：

soup.find_all(["a", "b"])
 # [The Dormouse's story,
 # <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>]

（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）传函数

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：

def has_class_but_no_id(tag):
 return tag.has_attr('class') and not tag.has_attr('id')
 
 soup.find_all(has_class_but_no_id)
 # [The Dormouse's story,
 # Once upon a time there were...,
 # ...]

keyword参数　　注意的是，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,BeautifulSoup会搜索每个tag的”id”属性：

soup.find_all(id='link2')
 # [<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：

soup.find_all(href=re.compile("elsie"))
 # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]

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')
 # [<a class="sister" href="http://example.com/elsie" id="link1">three</a>]

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")
 # [<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>]

attrs参数

有些tag属性在搜索不能使用,比如HTML5中的 " **data-\*** " 自定义属性：

data_soup = BeautifulSoup('<div data-foo="value">foo!</div>')
 data_soup.find_all(data-foo="value")
 # 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
 data_soup.find_all(attrs={"data-foo": "value"})
 # [<div data-foo="value">foo!</div>]

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"))　　# 模糊查找
    [u"The Dormouse's story", u"The Dormouse's story"]

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。

soup.find_all("a", limit=2)
 # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
 # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

recursive参数

调用tag的 find\_all() 方法时，BeautifulSoup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。

soup.html.find_all("title")
 # [<title>The Dormouse's story</title>]
 
 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() 和 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() 和 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() 和 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() 和 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。

#  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。**

### 通过标签名查找 ###

print soup.select('title') 
 #[<title>The Dormouse's story</title>]
 
 print soup.select('a')
 #[<a class="sister" href="http://example.com/elsie" id="link1"></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>]
 
 print soup.select('b')
 #[The Dormouse's story]

### 通过类名查找 ###

print soup.select('.sister')
 #[<a class="sister" href="http://example.com/elsie" id="link1"></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>]

### 通过 id 名查找 ###

print soup.select('#link1')
 #[<a class="sister" href="http://example.com/elsie" id="link1"></a>]

### 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')
 #[<a class="sister" href="http://example.com/elsie" id="link1"></a>]

直接子标签查找：

print soup.select("head > title")
 #[<title>The Dormouse's story</title>]

### 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('a[class="sister"]')
 #[<a class="sister" href="http://example.com/elsie" id="link1"></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>]
 
 print soup.select('a[href="http://example.com/elsie"]')
 #[<a class="sister" href="http://example.com/elsie" id="link1"></a>]

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"]')
 #[<a class="sister" href="http://example.com/elsie" id="link1"></a>]

**以上的 select 方法返回的结果都是列表形式，可以遍历形式输出，然后用 string或get\_text() 方法来获取它的内容：**

soup = BeautifulSoup(html, 'lxml')
    print type(soup.select('title'))
    print soup.select('title')[0].get_text()
    
    for title in soup.select('title'):
        print title.get_text()

# 修改文档树 #

### 1.修改.string ###

给Tag的 .string 属性赋值，就相当于用当前的内容替代了原来的内容。（如果当前的Tag包含了其它tag，那么给它的 .string 属性赋值会覆盖掉原有的所有内容包括子Tag）。

如，soup.find('title').string = '新标题'

### 2.append() ###

Tag.append() 方法向Tag中添加子内容，与Python的列表的 append() 方法用法相同。

如，soup.find('p').append('段落内容')

### 3.new\_tag() ###

创建一个Tag最好的方法是调用工厂方法 BeautifulSoup.new\_tag()。

如，soup.find('p').append(soup.new\_tag('a', href='http://www.baidu.com'))

### 4.insert()、insert\_before() 和 insert\_after() ###

把元素插入到指定的位置。