Python中BeautifuSoup庫的用法

BeautifulSoup簡介

Beautiful Soup是python的一個庫，最主要的功能是從網頁抓取數據。官方解釋如下：

Beautiful Soup提供一些簡單的、python式的函數用來處理導航、搜索、修改分析樹等功能。它是一個工具箱，通過解析文檔爲用戶提供需要抓取的數據，因爲簡單，所以不需要多少代碼就可以寫出一個完整的應用程序。

Beautiful Soup自動將輸入文檔轉換爲Unicode編碼，輸出文檔轉換爲utf-8編碼。你不需要考慮編碼方式，除非文檔沒有指定一個編碼方式，這時，Beautiful Soup就不能自動識別編碼方式了。然後，你僅僅需要說明一下原始編碼方式就可以了。

Beautiful Soup已成爲和lxml、html6lib一樣出色的python解釋器，爲用戶靈活地提供不同的解析策略或強勁的速度。

BeautifulSoup支持Python標準庫中的HTML解析器,還支持一些第三方的解析器，如果我們不安裝它，則 Python 會使用 Python默認的解析器，lxml 解析器更加強大，速度更快，推薦使用lxml 解析器。

1. 創建 BeautifulSoup 對象

首先導入庫 bs4 lxml requests

#encoding:UTF-8
from bs4 import BeautifulSoup
import lxml
import requests

使用官方字符串來演示：

html = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><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>
"""

創建 beautifulsoup 對象：

soup = BeautifulSoup(html,'lxml')  #創建 beautifulsoup 對象

還可以用本地 HTML 文件來創建對象：

soup1 = BeautifulSoup(open('index.html'))  #用本地 HTML 文件來創建對象

打印一下 soup 對象的內容，格式化輸出：

print soup.prettify()  #打印 soup 對象的內容，格式化輸出

輸出結果，格式化打印出了它的內容，這個函數經常用到。

2. 四種對象

Beautiful Soup將複雜HTML文檔轉換成一個複雜的樹形結構,每個節點都是Python對象,所有對象可以歸納爲4種:

Tag
NavigableString
BeautifulSoup
Comment

（1）Tag

Tag就是 HTML 中的一個個標籤，例如：

<title>The Dormouse's story</title>

用 BeautifulSoup 可以很方便地獲取 Tags：

print soup.title
print soup.head
print soup.a
print soup.p
print type(soup.a)

這種方式查找的是在所有內容中的第一個符合要求的標籤。

對於 Tag，它有兩個重要的屬性，name 和 attrs ：

print soup.name
print soup.a.name
print soup.attrs
print soup.p.attrs #在這裏，我們把 p 標籤的所有屬性打印輸出了出來，得到的類型是一個字典。
print soup.p['class'] #單獨獲取某個屬性
print soup.p.get('class') ##單獨獲取某個屬性 跟上面一樣的

可以對這些屬性和內容等等進行修改：

soup.p['class']="newClass"

也可以對這個屬性進行刪除：

del soup.p['class']

（2）NavigableString

得到了標籤的內容用 .string 即可獲取標籤內部的文字，例如：

print soup.p.string

來檢查一下它的類型：

print type(soup.p.string)
#<class 'bs4.element.NavigableString'>

可以看到它的類型是一個 NavigableString，翻譯過來叫可以遍歷的字符串。

（3）BeautifulSoup

BeautifulSoup 對象表示的是一個文檔的全部內容.大部分時候,可以把它當作 Tag 對象，是一個特殊的 Tag，我們可以分別獲取它的類型，名稱：

print type(soup.name)
#<type 'unicode'>
print soup.name 
# [document]
print soup.attrs 
#{} 空字典

（4）Comment

Comment 對象是一個特殊類型的 NavigableString 對象，其實輸出的內容仍然不包括註釋符號。我們找一個帶註釋的標籤：

print soup.a
print soup.a.string
print type(soup.a.string)

運行結果如下：

 
<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
 Elsie 
<class 'bs4.element.Comment'>

a 標籤裏的內容實際上是註釋，但是如果我們利用 .string 來輸出它的內容，我們發現它已經把註釋符號去掉了，所以這可能會給我們帶來不必要的麻煩。

我們打印輸出下它的類型，發現它是一個 Comment 類型，所以，我們在使用前最好做一下判斷，判斷代碼如下：

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

上面的代碼中，我們判斷了它的類型，是否爲 Comment 類型。

3. 遍歷文檔樹

（1）直接子節點

tag 的 .content 屬性可以將tag的子節點以列表的方式輸出：

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

#輸出方式爲列表，我們可以用列表索引來獲取它的某一個元素：
print soup.head.contents[0]

.children

它返回的不是一個 list，不過我們可以通過遍歷獲取所有子節點。我們打印輸出 .children 看一下，可以發現它是一個 list 生成器對象：

print soup.head.children
#運行結果：
#<listiterator object at 0x7f71457f5710>

#遍歷一下獲得裏面的內容：
for item in  soup.body.children:
    print item

（2）所有子孫節點

.contents 和 .children 屬性僅包含tag的直接子節點，.descendants 屬性可以對所有tag的子孫節點進行遞歸循環，和 children類似，要獲取其中的內容，我們需要對其進行遍歷：

for item in soup.descendants:
    print item

#查看運行結果，可以發現，所有的節點都被打印出來了：
#<html><head><title>The Dormouse's story</title></head>
#<body>
#<p class="title" name="dromouse"><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" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>,

（3）節點內容

如果一個標籤裏面沒有標籤了，那麼 .string 就會返回標籤裏面的內容。如果標籤裏面只有唯一的一個標籤了，那麼 .string 也會返回最裏面的內容：

print soup.head.string
#運行結果：
#The Dormouse's story

#第二種情況：
print soup.title.string
#運行結果：
#The Dormouse's story

如果tag包含了多個子節點,tag就無法確定，string 方法應該調用哪個子節點的內容, .string 的輸出結果是 None：

print soup.html.string
#運行結果：
#None

（4）多個內容

.strings 獲取多個內容，不過需要遍歷獲取，比如下面的例子：

for string in soup.strings:
    print(repr(string))

輸出的字符串中可能包含了很多空格或空行,使用 .stripped_strings 可以去除多餘空白內容：

for string in soup.stripped_strings:
    print(repr(string))

（5）父節點

p = soup.p
print p.parent.name
#運行結果：
#body

content = soup.head.title.string
print content.parent.name
#運行結果：
#title

（6）全部父節點

通過元素的 .parents 屬性可以遞歸得到元素的所有父輩節點：

content = soup.head.title.string
for parent in  content.parents:
    print parent.name

（7）兄弟節點

兄弟節點可以理解爲和本節點處在統一級的節點，.next_sibling 屬性獲取了該節點的下一個兄弟節點，.previous_sibling 屬性獲取了該節點的上一個兄弟節點，如果節點不存在，則返回 None

注意：實際文檔中的tag的 .next_sibling 和 .previous_sibling 屬性通常是字符串或空白，因爲空白或者換行也可以被視作一個節點，所以得到的結果可能是空白或者換行。

print soup.p.next_sibling
#       實際該處爲空白
print soup.p.prev_sibling
#None   沒有前一個兄弟節點，返回 None
print soup.p.next_sibling.next_sibling

（8）全部兄弟節點

通過 .next_siblings 和 .previous_siblings 屬性可以對當前節點的兄弟節點迭代輸出：

for sibling in soup.a.next_siblings:
    print(repr(sibling))

（9）前後節點

與 .next_sibling .previous_sibling 不同，它並不是針對於兄弟節點，而是在所有節點，不分層次

#比如head節點爲：
<head><title>The Dormouse's story</title></head>
#那麼它的下一個節點便是 title，它是不分層次關係的。
print soup.head.next_element
#<title>The Dormouse's story</title>

（10）所有前後節點

通過 .next_elements 和 .previous_elements 的迭代器就可以向前或向後訪問文檔的解析內容：

for element in last_a_tag.next_elements:
    print(repr(element))

4. 搜索文檔樹

（1）find_all( name , attrs , recursive , text , **kwargs )

find_all() 方法搜索當前tag的所有tag子節點,並判斷是否符合過濾器的條件

name 參數
A.傳字符串

name 參數可以查找所有名字爲 name 的tag,字符串對象會被自動忽略掉

最簡單的過濾器是字符串.在搜索方法中傳入一個字符串參數,Beautiful Soup會查找與字符串完整匹配的內容,下面的例子用於查找文檔中所有的<b>標籤：

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

B.傳正則表達式

如果傳入正則表達式作爲參數,Beautiful Soup會通過正則表達式的 match() 來匹配內容.下面例子中找出所有以b開頭的標籤,這表示<body>和<b>標籤都應該被找到

import re
for tag in soup.find_all(re.compile("^b")):
    print(tag.name)
# body
# b

C.傳列表

如果傳入列表參數,Beautiful Soup會將與列表中任一元素匹配的內容返回.下面代碼找到文檔中所有<a>標籤和<b>標籤：

soup.find_all(["a", "b"])
# [<b>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>]

D.傳 True

True 可以匹配任何值,下面代碼查找到所有的tag,但是不會返回字符串節點：

for tag in soup.find_all(True):
    print(tag.name)
# html
# head
# title
# body
# p
# b
# p
# a
# a

E.傳方法

如果沒有合適過濾器,那麼還可以定義一個方法,方法只接受一個元素參數 ,如果這個方法返回 True 表示當前元素匹配並且被找到,如果不是則反回 False。下面方法校驗了當前元素,如果包含 class 屬性卻不包含 id 屬性,那麼將返回 True:

def has_class_but_no_id(tag):
    return tag.has_attr('class') and not tag.has_attr('id')

將這個方法作爲參數傳入 find_all() 方法,將得到所有<p>標籤：

soup.find_all(has_class_but_no_id)
# [<p class="title"><b>The Dormouse's story</b></p>,
#  <p class="story">Once upon a time there were...</p>,
#  <p class="story">...</p>]

2）keyword 參數

如果一個指定名字的參數不是搜索內置的參數名,搜索時會把該參數當作指定名字tag的屬性來搜索,如果包含一個名字爲 id 的參數,Beautiful Soup會搜索每個tag的”id”屬性：

soup.find_all(id='link2')
# [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

如果傳入 href 參數,Beautiful Soup會搜索每個tag的”href”屬性：

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

使用多個指定名字的參數可以同時過濾tag的多個屬性：

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

在這裏我們想用 class 過濾，不過 class 是 python 的關鍵詞，這怎麼辦？加個下劃線就可以：

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>]

有些tag屬性在搜索不能使用,比如HTML5中的 data-* 屬性：

data_soup = BeautifulSoup('<div data-foo="value">foo!</div>')
data_soup.find_all(data-foo="value")
# SyntaxError: keyword can't be an expression

可以通過 find_all() 方法的 attrs 參數定義一個字典參數來搜索包含特殊屬性的tag：

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

3）text 參數

通過 text 參數可以搜搜文檔中的字符串內容.與 name 參數的可選值一樣, text 參數接受字符串 , 正則表達式 , 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"))
[u"The Dormouse's story", u"The Dormouse's story"]

4）limit 參數

find_all() 方法返回全部的搜索結構,如果文檔樹很大那麼搜索會很慢.如果我們不需要全部結果,可以使用 limit 參數限制返回結果的數量.效果與SQL中的limit關鍵字類似,當搜索到的結果數量達到 limit 的限制時,就停止搜索返回結果.

文檔樹中有3個tag符合搜索條件,但結果只返回了2個,因爲我們限制了返回數量：

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>]

5）recursive 參數

調用tag的 find_all() 方法時,Beautiful Soup會檢索當前tag的所有子孫節點,如果只想搜索tag的直接子節點,可以使用參數 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 )

它與 find_all() 方法唯一的區別是 find_all() 方法的返回結果是值包含一個元素的列表,而 find() 方法直接返回結果

（3）find_parents() find_parent()

find_all() 和 find() 只搜索當前節點的所有子節點,孫子節點等. find_parents() 和 find_parent() 用來搜索當前節點的父輩節點,搜索方法與普通tag的搜索方法相同,搜索文檔搜索文檔包含的內容

（4）find_next_siblings() find_next_sibling()

這2個方法通過 .next_siblings 屬性對當 tag 的所有後面解析的兄弟 tag 節點進行迭代, find_next_siblings() 方法返回所有符合條件的後面的兄弟節點,find_next_sibling() 只返回符合條件的後面的第一個tag節點

（5）find_previous_siblings() find_previous_sibling()

這2個方法通過 .previous_siblings 屬性對當前 tag 的前面解析的兄弟 tag 節點進行迭代, find_previous_siblings()方法返回所有符合條件的前面的兄弟節點, find_previous_sibling() 方法返回第一個符合條件的前面的兄弟節點

（6）find_all_next() find_next()

這2個方法通過 .next_elements 屬性對當前 tag 的之後的 tag 和字符串進行迭代, find_all_next() 方法返回所有符合條件的節點, find_next() 方法返回第一個符合條件的節點

（7）find_all_previous() 和 find_previous()

這2個方法通過 .previous_elements 屬性對當前節點前面的 tag 和字符串進行迭代, find_all_previous() 方法返回所有符合條件的節點, find_previous()方法返回第一個符合條件的節點

注：以上（2）（3）（4）（5）（6）（7）方法參數用法與 find_all() 完全相同，原理均類似。

5. CSS選擇器

我們在寫 CSS 時，標籤名不加任何修飾，類名前加點，id名前加 #，在這裏我們也可以利用類似的方法來篩選元素，用到的方法是 soup.select()，返回類型是 list

（1）通過標籤名查找

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

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

（2）通過類名查找

print soup.select('.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>]

（3）通過 id 名查找

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

（4）組合查找

組合查找即和寫 class 文件時，標籤名與類名、id名進行的組合原理是一樣的，例如查找 p 標籤中，id 等於 link1的內容，二者需要用空格分開：

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

直接子標籤查找：

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

（5）屬性查找

查找時還可以加入屬性元素，屬性需要用中括號括起來，注意屬性和標籤屬於同一節點，所以中間不能加空格，否則會無法匹配到：

print soup.select('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>]

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

#屬性也可以與上述查找方式組合，不在同一節點的空格隔開，同一節點的不加空格：
print soup.select('p a[href="http://example.com/elsie"]')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

#以上的 select 方法返回的結果都是列表形式，可以遍歷形式輸出，然後用 get_text() 方法來獲取它的內容：
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()

find_all和select的區別

find_all()對於屬性的值不是精確匹配的，是模糊匹配。同樣的，find()也是模糊匹配

select()方法使用css定位元素，根據td標籤和class屬性值 精確定位，但是會查詢出來所有符合條件的元素，返回一個列表

更詳細的內容查看官方文檔：http://beautifulsoup.readthedocs.io/zh_CN/latest/

Python中BeautifuSoup庫的用法

BeautifulSoup簡介

1. 創建 BeautifulSoup 對象

2. 四種對象

3. 遍歷文檔樹

4. 搜索文檔樹

5. CSS選擇器

find_all和select的區別

使用neovim打造go ide(支持代碼跳轉, 代碼補全, 實時語法檢查)

挑戰程序設計競賽 2.3章習題 poj 3046 Ant Counting

Shell/Python中的用戶名獲取

C++ 按位與、或、異或等方法介紹

python 刪除文本文件中每一行末尾的^M符號

使用python在hadoop下編寫map-reduce

Python中BeautifuSoup庫的用法

linux服務器查看進程數量

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結