一.介绍：
Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间.你可能在寻找 Beautiful Soup3 的文档,Beautiful Soup 3 目前已经停止开发,官网推荐在现在的项目中使用Beautiful Soup 4, 移植到BS4。安装步骤如下：
#安装 Beautiful Soup 我们在爬虫中一般推荐使用lxml解析器，因为其爬取效率比较高 pip install beautifulsoup4 #安装解析器 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,其中一个是 lxml .根据操作系统不同,可以选择下列方法来安装lxml: $ apt-get install Python-lxml $ easy_install lxml $ pip install lxml 另一个可供选择的解析器是纯Python实现的 html5lib , html5lib的解析方式与浏览器相同,可以选择下列方法来安装html5lib: $ apt-get install Python-html5lib $ easy_install html5lib $ pip install html5lib
下表列出了主要的解析器,以及它们的优缺点,官网推荐使用lxml作为解析器,因为效率更高. 在Python2.7.3之前的版本和Python3中3.2.2之前的版本,必须安装lxml或html5lib, 因为那些Python版本的标准库中内置的HTML解析方法不够稳定.
| 解析器 | 使用方法 | 优势 | 劣势 |
|---|---|---|---|
| Python标准库 | 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") |
|
|
中文文档：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html
二.基本使用
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>
""" #基本使用：容错处理,文档的容错能力指的是在html代码不完整的情况下,使用该模块可以识别该错误。使用BeautifulSoup解析上述代码,能够得到一个 BeautifulSoup 的对象,并能按照标准的缩进格式的结构输出 from bs4 import BeautifulSoup soup=BeautifulSoup(html_doc,'lxml') #具有容错功能 res=soup.prettify() #处理好缩进，结构化显示 print(res)
1.通过标签寻定位，如果有多个标签，那么只返回第一个，看下面的例子：
# 遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个 html_doc = """ <html><head><title>The Dormouse's story</title></head>
<body>
<p id="my p" class="title"><b id="bbb" class="boldest">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>
""" # 1、用法 from bs4 import BeautifulSoup soup = BeautifulSoup(html_doc, 'lxml') # 第一个参数直接是一个标签文档字符串 # soup=BeautifulSoup(open('a.html'),'lxml') # 第一个参数是一个文件句柄对象 print(soup.p) # 存在多个相同的标签则只返回第一个 print(soup.a) # 存在多个相同的标签则只返回第一个
打印结果如下：
print(soup.p) 上面有2个p标签，只返回找到的第一个p标签 <p class="title" id="my p"><b class="boldest" id="bbb">The Dormouse's story</b></p>
print(soup.a) 只返回找到的第一个a标签 <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
2.获取标签的属性：
# _*_ coding:utf-8 _*_ # 遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个 html_doc = """ <html><head><title>The Dormouse's story</title></head>
<body>
<p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b>111</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>
""" # 1、用法 from bs4 import BeautifulSoup soup = BeautifulSoup(html_doc, 'lxml') # 第一个参数直接是一个标签文档字符串 # # soup=BeautifulSoup(open('a.html'),'lxml') # 第一个参数是一个文件句柄对象 # # print(soup.p) # 存在多个相同的标签则只返回第一个 # # print(soup.a) # 存在多个相同的标签则只返回第一个 # # # 2、获取标签的名称 # print(soup.p.name) # 打印 p # # # 3、获取标签的属性 # """ # 打印找到的第一个p标签的属性，属性被封装为字典： {'class': ['title'], 'id': 'my p'} # 原始找到的p标签为：<p class="title" id="my p"><b class="boldest" id="bbb">The Dormouse's story</b></p>
# """ # print(soup.p.attrs) # # 4、获取标签的内容 """ 表示查看p标签下的文本，只寻找一个，如果里面有多个标签或者文本，则打印None 当第一个p标签如下所示时：<p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b></p>
打印出The Dormouse's story
当p标签如下所示时：<p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b>
</p> 相当于多了一个换行符，那么就打印出None 又或者当p标签如下所示时：<p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b>111</p>
此时有两个文本内容The Dormouse's story和111，此时soup不知道要找哪个，所以为None
""" # print(soup.p.string) # p下的文本只有一个时，取到，否则为None # print(soup.p.strings) # 拿到一个生成器对象, 取到p标签下下所有的文本内容 # # 打印结果：<generator object _all_strings at 0x000002A324FAF3B8> # print(list(soup.p.strings)) # 打印结果: ["The Dormouse's story", '111'] """ 查看soup文档对象中的所有标签文本： 使用stripped_strings去除很多空行： 打印结果如下： The Dormouse's story
The Dormouse's story
111 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. ... """ # for line in soup.stripped_strings: # 去掉空白 # print(line) ''' 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，如果只有一个子节点那么就输出该子节点的文本，比如下面的这种结构，soup.p.string 返回为None,但soup.p.strings就可以找到所有文本 <p id='list-1'> 哈哈哈哈 <a class='sss'>
<span>
<h1>aaaa</h1>
</span>
</a>
<b>bbbbb</b>
</p>
'''
接着看下面的：
# _*_ coding:utf-8 _*_ # 遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个 html_doc = """ <html><head><title>The Dormouse's story</title></head>
<body>
<p id="my p" class="title"> aaa<b id="bbb" class="boldest">The Dormouse's story</b>ddd
<ul> spark很重要 <li>python</li>
</ul>
</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>
""" # 1、用法 from bs4 import BeautifulSoup soup = BeautifulSoup(html_doc, 'lxml') # 第一个参数直接是一个标签文档字符串 # # soup=BeautifulSoup(open('a.html'),'lxml') # 第一个参数是一个文件句柄对象 # # print(soup.p) # 存在多个相同的标签则只返回第一个 # # print(soup.a) # 存在多个相同的标签则只返回第一个 # # # 2、获取标签的名称 # print(soup.p.name) # 打印 p # # # 3、获取标签的属性 # """ # 打印找到的第一个p标签的属性，属性被封装为字典： {'class': ['title'], 'id': 'my p'} # 原始找到的p标签为：<p class="title" id="my p"><b class="boldest" id="bbb">The Dormouse's story</b></p>
# """ # print(soup.p.attrs) # # 4、获取标签的内容 """ 表示查看p标签下的文本，只寻找一个，如果里面有多个标签或者文本，则打印None 当第一个p标签如下所示时：<p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b></p>
打印出The Dormouse's story
当p标签如下所示时：<p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b>
</p> 相当于多了一个换行符，那么就打印出None 又或者当p标签如下所示时：<p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b>111</p>
此时有两个文本内容The Dormouse's story和111，此时soup不知道要找哪个，所以为None
""" # print(soup.p.string) # p下的文本只有一个时，取到，否则为None # print(soup.p.strings) # 拿到一个生成器对象, 取到p标签下下所有的文本内容 # # 打印结果：<generator object _all_strings at 0x000002A324FAF3B8> # print(list(soup.p.strings)) # 打印结果: ["The Dormouse's story", '111'] """ 查看soup文档对象中的所有标签文本： 使用stripped_strings去除很多空行： 打印结果如下： The Dormouse's story
The Dormouse's story
111 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. ... """ # for line in soup.stripped_strings: # 去掉空白 # print(line) ''' 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，如果只有一个子节点那么就输出该子节点的文本，比如下面的这种结构，soup.p.string 返回为None,但soup.p.strings就可以找到所有文本 <p id='list-1'> 哈哈哈哈 <a class='sss'>
<span>
<h1>aaaa</h1>
</span>
</a>
<b>bbbbb</b>
</p>
''' # 5、嵌套选择 打印结果：The Dormouse's story
# print(soup.head.title.string) # 由于此时有三个a标签，但是这样嵌套寻找只找到第一个，所以只打印出Elsie # print(soup.body.a.string) # 6、子节点、子孙节点 """ 打印结果如下所示： [<b class="boldest" id="bbb">The Dormouse's story</b>, '111']
可以看到这样也只是定位到第一个p标签： <p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b>111</p>
相当于打印的就是第一个p标签内部的所有元素，包括子节点和文本，我们再来测试下： <p id="my p" class="title"> aaa<b id="bbb" class="boldest">The Dormouse's story</b>ddd
<ul> spark很重要 <li>python</li>
</ul>
</p> 这是文档中的第一个p标签，那么print(soup.p.contents)的打印结果如下: ['\n aaa', <b class="boldest" id="bbb">The Dormouse's story</b>, 'ddd\n ']
可以看到它找到的是第一个子标签和子文本 """ # print(soup.p.contents) #p下所有子节点 # print(soup.p.children) #得到一个迭代器,包含p下所有子节点 # print(list(soup.p.children)) # <list_iterator object at 0x000001FD6AA47A20> # ['\n aaa', <b class="boldest" id="bbb">The Dormouse's story</b>, 'ddd\n '] """ 打印结果如下： 0 aaa 1 <b class="boldest" id="bbb">The Dormouse's story</b>
2 ddd """ # for i,child in enumerate(soup.p.children): # print(i,child) """ 打印结果如下： <generator object descendants at 0x0000017D7863F3B8> ['\n aaa', <b class="boldest" id="bbb">The Dormouse's story</b>, "The Dormouse's story", 'ddd\n '] """ # print(soup.p.descendants) # 获取子孙节点,p下所有的标签都会选择出来 # print(list(soup.p.descendants)) # for i, child in enumerate(soup.p.descendants): # print(i, child) # # #7、父节点、祖先节点 # print(soup.a.parent) # 获取a标签的父节点，其父节点是p标签，所以打印结果如下： """ <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="link3">Tillie</a>; and they lived at the bottom of a well.</p>
""" # print(soup.a.parents) # 找到a标签所有的祖先节点，父亲的父亲，父亲的父亲的父亲... # print(list(soup.a.parents)) # 8、兄弟节点 # print('=====>') # print(soup.a.next_sibling) #下一个兄弟 # print(soup.a.previous_sibling) #上一个兄弟 # print(list(soup.a.next_siblings)) #下面的兄弟们=>生成器对象 print(soup.a.previous_siblings) #上面的兄弟们=>生成器对象
继续看bs中的五种过滤器
# _*_ coding:utf-8 _*_ # 搜索文档树：BeautifulSoup定义了很多搜索方法,这里着重介绍2个: find() 和 find_all() .其它方法的参数和用法类似 html_doc = """ <html><head><title>The Dormouse's story</title></head>
<body>
<p id="my p" class="title"><b id="bbb" class="boldest">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>
"""
from bs4 import BeautifulSoup soup = BeautifulSoup(html_doc, 'lxml') # 1、五种过滤器: 字符串、正则表达式、列表、True、方法 # 1.1、字符串：即标签名 # print(soup.find_all('b')) """ 结果是一个列表： [<b class="boldest" id="bbb">The Dormouse's story</b>] """ # 1.2、正则表达式 import re # # print(soup.find_all(re.compile("^b"))) # 找出b开头的标签，结果有body和b标签 """ 打印结果如下： [<body>
<p class="title" id="my p"><b class="boldest" id="bbb">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" 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="link3">Tillie</a>; and they lived at the bottom of a well.</p>
<p class="story">...</p>
</body>, <b class="boldest" id="bbb">The Dormouse's story</b>]
""" # # # 1.3、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: # print(soup.find_all(['a', 'b'])) """ 返回结果仍然是一个列表: [<b class="boldest" id="bbb">The Dormouse's story</b>,
<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>] """ # # # 1.4、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 # print(soup.find_all(True)) # 例如我再需要查找到文档中所有包含id的标签： # print(soup.find_all(id=True)) """ 返回结果如下，是一个列表: [<p class="title" id="my p"><b class="boldest" id="bbb">The Dormouse's story</b>
</p>, <b class="boldest" id="bbb">The Dormouse's story</b>,
<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>] """ """ 找到文档中的所有标签: """ # for tag in soup.find_all(True): # print(tag.name) # # # # 1.5、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 ,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 """ 下面方法表示寻找到标签中有class属性，但是没有id属性的标签，打印结果如下： [<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="link3">Tillie</a>; and they lived at the bottom of a well.</p>, <p class="story">...</p>] 可以看到两个p标签只有class属性，但是没有id属性 """ def has_class_but_no_id(tag): return tag.has_attr('class') and not tag.has_attr('id') print(soup.find_all(has_class_but_no_id))
重点方法之find_all( name , attrs , recursive , text , **kwargs )