溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
前言
Beautiful Soup是python的一個HTML或XML的解析庫，我們可以用它來方便的從網頁中提取數據，它擁有強大的API和多樣的解析方式。
Beautiful Soup的三個特點：
1、Beautiful Soup4的安裝配置
Beautiful Soup4通過PyPi發布，所以可以通過系統管理包工具安裝，包名字為beautifulsoup4
$easy_install beautifulsoup4
或者
$pip install beautifulsoup4
也可用通過下載源碼包來安裝：
#wget https://www.crummy.com/software/BeautifulSoup/bs4/download/4.0/beautifulsoup4-4.1.0.tar.gz #tar xf beautifulsoup4-4.1.0.tar.gz #cd beautifulsoup4 #python setup.py install
Beautiful Soup在解析時實際上是依賴解析器的，它除了支持python標準庫中的HTML解析器外還支持第三方解析器如lxml
Beautiful Soup支持的解析器,以及它們的優缺點:
| 解析器 | 使用方法 | 優勢 | 劣勢 |
|---|---|---|---|
| Python標準庫 | BeautifulSoup(markup,"html.parser") |
|
|
| lxml HTML 解析器 | BeautifulSoup(markup,"lxml") |
|
|
| lxml XML 解析器 |
BeautifulSoup(markup,["lxml", "xml"]) BeautifulSoup(markup,"xml") |
|
|
| html5lib | BeautifulSoup(markup,"html5lib") |
|
|
安裝解析器：
$pip install lxml $pip install html5lib
推薦使用lxml作為解析器,因為效率更高. 在Python2.7.3之前的版本和Python3中3.2.2之前的版本,必須安裝lxml或html5lib, 因為那些Python版本的標準庫中內置的HTML解析方法不夠穩定
2、BeautifulSoup的基本用法
通過傳入一段字符或一個文件句柄，BeautifulSoup的構造方法就能得到一個文檔的對象，選擇合適的解析器來解析文檔，如手動指定將選擇指定的解析器來解析文檔,Beautiful Soup將復雜的HTML文檔轉換成一個復雜的樹形結構，每個節點都是python對象，所有對象可以歸納為4種：Tag、NavigableString、BeautifulSoup、Comment
注意：BeautifulSoup版本4的包是在bs4中引入的
from bs4 import BeautifulSoup #下面代碼示例都是用此文檔測試 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 rel="external nofollow" class="sister" id="link1">Elsie</a>, <a rel="external nofollow" class="sister" id="link2">Lacie</a> and <a rel="external nofollow" class="sister" id="link3">Tillie</a>; and they lived at the bottom of a well.</p> <p class="story">...</p> """ markup="<b><!--Hey, buddy. Want to buy a used parser?--></b>" soup=BeautifulSoup(html_doc,"lxml") soup1=BeautifulSoup(markup,"lxml") tag=soup.a navstr=tag.string comment=soup1.b.string print(type(tag)) #Tag標簽對象 print(type(comment)) #Comment對象包含文檔注釋內容 print(type(navstr)) #NavigableString對象包裝字符串內容 print(type(soup)) #BeautifulSoup對象為文檔的全部內容 # <class 'bs4.element.Tag'> <class 'bs4.element.Comment'> <class 'bs4.element.NavigableString'> <class 'bs4.BeautifulSoup'>
（1）節點選擇器(tag)
直接調用節點的名稱就可以選擇節點元素，節點可以嵌套選擇返回的類型都是bs4.element.Tag對象
soup=BeautifulSoup(html_doc,'lxml') print(soup.head) #獲取head標簽 print(soup.p.b) #獲取p節點下的b節點 print(soup.a.string) #獲取a標簽下的文本，只獲取第一個
name屬性獲取節點名稱：
soup.body.name
attrs屬性獲取節點屬性，也可以字典的形式直接獲取，返回的結果可能是列表或字符串類型，取決于節點類型
soup.p.attrs #獲取p節點所有屬性 soup.p.attrs['class'] #獲取p節點class屬性 soup.p['class'] #直接獲取p節點class屬性
string屬性獲取節點元素包含的文本內容：
soup.p.string #獲取第一個p節點下的文本內容
contents屬性獲取節點的直接子節點，以列表的形式返回內容
soup.body.contents #是直接子節點，不包括子孫節點
children屬性獲取的也是節點的直接子節點，只是以生成器的類型返回
soup.body.children
descendants屬性獲取子孫節點，返回生成器
soup.body.descendants
parent屬性獲取父節點，parents獲取祖先節點，返回生成器
soup.b.parent soup.b.parents
next_sibling屬性返回下一個兄弟節點，previous_sibling返回上一個兄弟節點,注意換行符也是一個節點，所以有時候在獲取兄弟節點是通常是字符串或者空白
soup.a.next_sibling soup.a.previous_sibling
next_siblings和previous_sibling分別返回前面和后面的所有兄弟節點，返回生成器
soup.a.next_siblings soup.a.previous_siblings
next_element和previous_element屬性獲取下一個被解析的對象，或者上一個
soup.a.next_element soup.a.previous_element
next_elements和previous_elements迭代器向前或者后訪問文檔解析內容
soup.a.next_elements soup.a.previous_elements
（2）方法選擇器
前面使用的都是通過節點屬性來選擇的，這種方法非常快，但在進行比較復雜的選擇時就不夠靈活，幸好Beautiful Soup還為我們提供了一些查詢方法，如fang_all()和find()等
find_all(name,attrs,recursive,text,**kwargs)：查詢所有符合條件的元素，其中的參數
name表示可以查找所有名字為name的標簽(tag)，也可以是過濾器，正則表達式，列表或者是True
attrs表示傳入的屬性，可以通過attrs參數以字典的形式指定如常用屬性id,attrs={'id':'123'}，由于class屬性是python中的關鍵字，所有在查詢時需要在class后面加上下劃線即class_='element'，返回的結果是tag類型的列表
text參數用來匹配節點的文本，傳入的形式可以是字符串也可以是正則表達式對象
recursive表示，如果只想搜索直接子節點可以將參數設為false：recursive=Flase
limit參數，可以用來限制返回結果的數量，與SQL中的limit關鍵字類似
import re
from bs4 import BeautifulSoup
html_doc = """ #下面示例都是用此文本內容測試
<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 class="sister" id="link1">Elsie</a>
ddd
<a class="sister" id="link2">Lacie</a> and
<a class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
<span>中文</span>
"""
soup=BeautifulSoup(html_doc,'lxml')
print(type(soup))
print(soup.find_all('span')) #標簽查找
print(soup.find_all('a',id='link1')) #屬性加標簽過濾
print(soup.find_all('a',attrs={'class':'sister','id':'link3'})) #多屬性
print(soup.find_all('p',class_='title')) #class特殊性,此次傳入的參數是**kwargs
print(soup.find_all(text=re.compile('Tillie'))) #文本過濾
print(soup.find_all('a',limit=2)) #限制輸出數量
#
<class 'bs4.BeautifulSoup'>
[<span>中文</span>]
[<a class="sister" id="link1">Elsie</a>]
[<a class="sister" id="link3">Tillie</a>]
[<p class="title"><b>The Dormouse's story</b></p>]
['Tillie']
[<a class="sister" id="link1">Elsie</a>, <a class="sister" id="link2">Lacie</a>]
find( name , attrs , recursive , text , **kwargs )：它返回的是單個元素，也就是第一個匹配的元素，類型依然是tag類型
參數同find_all()一樣
另外還有許多查詢方法，其用法和前面介紹的find_all()方法完全相同，只不過查詢范圍不同，參數也一樣
find_parents(name , attrs , recursive , text , **kwargs )和find_parent(name , attrs , recursive , text , **kwargs ) ：前者返回所有祖先節點，后者返回直接父節點
find_next_siblings(name , attrs , recursive , text , **kwargs )和find_next_sibling(name , attrs , recursive , text , **kwargs ) ：對當前tag后面的節點進行迭代，前者返回后面的所有兄弟節點，后者返回后面第一個兄弟節點
find_previous_siblings(name , attrs , recursive , text , **kwargs )和find_previous_sibling(name , attrs , recursive , text , **kwargs ) ：對當前tag前面的節點進行迭代，前者返回前面的所有兄弟節點，后者返回前面的第一個兄弟節點
find_all_next(name , attrs , recursive , text , **kwargs )和find_next(name , attrs , recursive , text , **kwargs ) ：對當前tag之后的tag和字符串進行迭代，前者返回所有符合條件的節點，后者返回第一個符合條件的節點
find_all_previous()和find_previous() ：對當前tag之前的tag和字符串進行迭代，前者返回節點后所有符合條件的節點，后者返回第一個符合條件的節點
（3）CSS選擇器
Beautiful Soup還提供了CSS選擇器，如果多CSS選擇器不熟悉可以參考下http://www.w3school.com.cn/cssref/css_selectors.asp
在 Tag 或 BeautifulSoup 對象的 .select()方法中傳入字符串參數,即可使用CSS選擇器的語法找到tag:
In [10]: soup.select('title')
Out[10]: [<title>The Dormouse's story</title>]
通過tag標簽逐層查找：
In [12]: soup.select('body a')
Out[12]:
[<a class="sister" id="link1">Elsie</a>,
<a class="sister" id="link2">Lacie</a>,
<a class="sister" id="link3">Tillie</a>]
查找某個tag標簽下的直接子標簽：
In [13]: soup.select('head > title')
Out[13]: [<title>The Dormouse's story</title>]
查找兄弟節點標簽：
In [14]: soup.select('#link1 ~ .sister')
Out[14]:
[<a class="sister" id="link2">Lacie</a>,
<a class="sister" id="link3">Tillie</a>]
通過CSS類名查找：
In [15]: soup.select('.title')
Out[15]: [<p class="title"><b>The Dormouse's story</b></p>]
In [16]: soup.select('[class~=title]')
Out[16]: [<p class="title"><b>The Dormouse's story</b></p>]
通過tag的id查找：
In [17]: soup.select('#link1')
Out[17]: [<a class="sister" id="link1">Elsie</a>]
In [18]: soup.select('a#link2')
Out[18]: [<a class="sister" id="link2">Lacie</a>]
通過是否存在某個屬性來查找：
In [20]: soup.select('a[href]')
Out[20]:
[<a class="sister" id="link1">Elsie</a>,
<a class="sister" id="link2">Lacie</a>,
<a class="sister" id="link3">Tillie</a>]
通過屬性的值來查找匹配：
In [22]: soup.select('a[)
Out[22]: [<a class="sister" id="link1">Elsie</a>]
In [23]: soup.select('a[href^="http://example.com/"]') #匹配值的開頭
Out[23]:
[<a class="sister" id="link1">Elsie</a>,
<a class="sister" id="link2">Lacie</a>,
<a class="sister" id="link3">Tillie</a>]
In [24]: soup.select('a[href$="tillie"]') #匹配值的結尾
Out[24]: [<a class="sister" id="link3">Tillie</a>]
In [25]: soup.select('a[href*=".com/el"]') #模糊匹配
Out[25]: [<a class="sister" id="link1">Elsie</a>]
tag節點查找，方法選擇器查找和CSS選擇器查找三種方法的實現方式基本相似，tag相對于其他兩種所有最快速的查找方式，但方法選擇器提供更便利更復雜的查找方式，使用更如有上手。
（4）tag修改方法
Beautiful Soup的強項是文檔的搜索功能，修改功能使用場景不是很多只做簡單介紹，要了解更多修改方法請前往Beautiful Soup官方文檔查看。
Beautiful Soup可以實現改變tag標志的屬性的值，添加或刪除屬性和內容，下面介紹一些常用的方法
In [26]: markup='<a In [28]: soup=BeautifulSoup(markup,'lxml') In [29]: soup.a.string='百度' In [30]: soup.a Out[30]: <a >百度</a> #如果a節點下包括子也將被覆蓋掉
Tag.append() 方法想tag中添加內容,就好像Python的列表的 .append() 方法:
In [30]: soup.a
Out[30]: <a >百度</a>
In [31]: soup.a.append('一下')
In [32]: soup.a
Out[32]: <a >百度一下</a>
new_tag()方法用于創建一個tag標簽
In [33]: soup=BeautifulSoup('<b></b>','lxml')
In [34]: new_tag=soup.new_tag('a',) #創建tag,第一個參數必須為tag的名稱
In [35]: soup.b.append(new_tag) #添加到b節點下
In [36]: new_tag.string='python' #為tag設置值
In [37]: soup.b
Out[37]: <b><a >python</a></b>
其他方法：
insert()將元素插入到指定的位置
inert_before()在當前tag或文本節點前插入內容
insert_after()在當前tag或文本節點后插入內容
clear()移除當前tag的內容
extract()將當前tag移除文檔數，并作為方法結果返回
prettify()將Beautiful Soup的文檔數格式化后以Unicode編碼輸出，tag節點也可以調用
get_text()輸出tag中包含的文本內容，包括子孫tag中的內容
soup.original_encoding 屬性記錄了自動識別的編碼結果
from_encoding:參數在創建BeautifulSoup對象是可以用來指定編碼，減少猜測編碼的運行速度
#解析部分文檔，可以使用SoupStrainer類來創建一個內容過濾器，它接受同搜索方法相同的參數
from bs4 import BeautifulSoup,SoupStrainer
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 class="sister" id="link1">Elsie</a>
ddd
<a class="sister" id="link2">Lacie</a> and
<a class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
<span>中文</span>
"""
only_a_tags = SoupStrainer('a') #顧慮器
soup=BeautifulSoup(html_doc,'lxml',parse_only=only_a_tags)
print(soup.prettify())
#
<a class="sister" id="link1">
Elsie
</a>
<a class="sister" id="link2">
Lacie
</a>
<a class="sister" id="link3">
Tillie
</a>
#Beautiful Soup異常處理：
HTMLParser.HTMLParseError：malformed start tag
HTMLParser.HTMLParseError：bad end tag 這個兩個異常都是解析器引起的，解決方法是安裝lxml或者html5lib
更多內容...
官方文檔：https://www.crummy.com/software/BeautifulSoup/bs4/doc/
中文文檔：https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh
PyPI：https://pypi.org/project/beautifulsoup4/
總結
以上就是這篇文章的全部內容了，希望本文的內容對大家的學習或者工作具有一定的參考學習價值，如果有疑問大家可以留言交流，謝謝大家對億速云的支持。
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
