下載地址：http://www.crummy.com/software/BeautifulSoup/bs4/download/4.3/beautifulsoup4-4.3.2.tar.gz
說明：這個版本使用python 2.7比較好。
install: 解壓縮，然后運行python setup.py install
linux系統還可以：sudo apt-get install Python-bs4
還可以：pip install beautifulsoup4
官方文檔：
http://www.crummy.com/software/BeautifulSoup/bs4/doc/
(也可以使用 pyQuery)
使用
from bs4 import BeautifulSoup soup = BeautifulSoup(html_str, 'html.parser')
輸出文檔
with open('test.html', 'w') as f: f.write(soup.prettify().encode('utf-8'))
當你調用__str__,prettify或者renderContents時， 你可以指定輸出的編碼。默認的編碼(str使用的)是UTF-8。 下面是處理ISO-8851-1的串並以不同的編碼輸出同樣的串的例子。 soup.__str__("ISO-8859-1")
四大對象種類
Beautiful Soup將復雜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: 對於 Tag，它有兩個重要的屬性，是 name 和 attrs
- NavigableString: 獲取標簽內部的文字
- BeautifulSoup：you can treat it as a Tag object
- Comment：獲取注釋 <!-- comment -->
Tag:
-
print type(soup.a) #<class 'bs4.element.Tag'>
print soup.p.attrs #{'class': ['title'], 'name': 'dromouse'}
-
css_soup = BeautifulSoup('<p class="body strikeout"></p>') css_soup.p['class'] # ["body", "strikeout"]
NavigableString:
-
print soup.p.string #The Dormouse's story
足夠有用：
soup.title # <title>The Dormouse's story</title> soup.title.name # u'title' soup.title.string # u'The Dormouse's story' soup.title.parent.name # u'head' soup.p # <p class="title"><b>The Dormouse's story</b></p> soup.p['class'] # u'title' soup.a # <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a> soup.find_all('a') # [<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>]
print soup.find("a", attrs={"class": "sister"}) #只找第一個
print soup.find_all("a", attrs={"class": "sister"}, limit=2)
import re soup.find(string=re.compile("sisters"))
soup.find(id="link3") # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
head_tag.contents [<title>The Dormouse's story</title>] head_tag.children [<title>The Dormouse's story</title>] title_tag.parent # <head><title>The Dormouse's story</title></head> sibling_soup.b.next_sibling # <c>text2</c> sibling_soup.c.previous_sibling # <b>text1</b>
find_all == findAll
find_all(name, attrs, recursive, string, limit, **kwargs)
我的程序：
from bs4 import BeautifulSoup
def parse_html(text): soup = BeautifulSoup(text, from_encoding="UTF-8") # 找出id="historyTable"的table, 找到它內部的第一個table，獲取所有的 tr target = soup.find(id="historyTable").find('table').findAll('tr') results = [] rec = [] for tr in target[1:]: # ignore th tds = tr.findAll('td') # 獲取所有的 td build_no = str(tds[1].span.string.strip()) # 找出第二個td的span節點，取出它的text內容 patch = str(tds[0].a.string) # 第一個td 的 a 節點的text status_node = tds[2].find('a') status = str(status_node.find('span').string) status_link = '%s/%s'%(TEAMCITY_HOME, status_node.attrs['href']) # 屬性 started = str(tds[5].string.replace(u'\xa0', ' ')) # 去掉無法解析的字符 print '-'*10 print '%s\t'%patch, print '%s\t'%build_no, print '%s\t'%status, print '%s\t'%started