导读:Python beautifulsoup 4 基础教程:BeautifulSoup是python解析html非常好用的第三方库!是抓取网页信息的强大帮手。
Beautiful Soup已成为和lxml、html6lib一样出色的python解释器,为用户灵活地提供不同的解析策略或强劲的速度。
一、安装
pip install beautifulsoup4
二、导入
form bs4 import BeautifulSoup
三、解析库
BeautifulSoup默认支持Python的标准HTML解析库,但是它也支持一些第三方的解析库:
解析库 使用方法 优势 劣势 Python标准库 BeautifulSoup(html,’html.parser’) Python内置标准库;执行速度快 容错能力较差 lxml HTML解析库 BeautifulSoup(html,’lxml’) 速度快;容错能力强 需要安装,需要C语言库 lxml XML解析库 BeautifulSoup(html,[‘lxml’,’xml’]) 速度快;容错能力强;支持XML格式 需要C语言库 htm5lib解析库 BeautifulSoup(html,’htm5llib’) 以浏览器方式解析,最好的容错性 速度慢
四、使用技巧
例如有这样一个网页html:
<!DOCTYPE html> <html> <head> <meta content="text/html;charset=utf-8" http-equiv="content-type"/> <meta content="IE=Edge" http-equiv="X-UA-Compatible"/> <meta content="always" name="referrer"/> <link href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css" rel="stylesheet" type="text/css"/> <title> 百度一下,你就知道 </title> </head> <body link="#0000cc"> <div id="wrapper"> <div id="head"> <div class="head_wrapper"> <div id="u1"> <a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻</a> <a class="mnav" href="https://www.exception500.com" name="tj_trhao123">Exception500</a> <a class="mnav" href="http://map.baidu.com" name="tj_trmap">地图</a> <a class="mnav" href="http://v.baidu.com" name="tj_trvideo">视频</a> <a class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">贴吧</a> <a class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;">更多产品</a> </div> </div> </div> </div> </body> </html>
创建beautifulsoup4对象:
from bs4 import BeautifulSoup bs = BeautifulSoup(html,"html.parser") # 缩进格式 print(bs.prettify()) # 获取title标签的所有内容 print(bs.title) # 获取title标签的名称 print(bs.title.name) # 获取title标签的文本内容 print(bs.title.string) # 获取head标签的所有内容 print(bs.head) # 获取第一个div标签中的所有内容 print(bs.div) # 获取第一个div标签的id的值 print(bs.div["id"]) # 获取第一个a标签中的所有内容 print(bs.a) # 获取所有的a标签中的所有内容 print(bs.find_all("a")) # 获取id="u1" print(bs.find(id="u1")) # 获取所有的a标签,并遍历打印a标签中的href的值 for item in bs.find_all("a"): print(item.get("href")) # 获取所有的a标签,并遍历打印a标签的文本值 for item in bs.find_all("a"): print(item.get_text())
五、BeautifulSoup4四大对象种类
BeautifulSoup4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:
(1)Tag
(2)NavigableString
(3)BeautifulSoup
(4)Comment
(1)Tag : Tag通俗点讲就是HTML中的一个个标签,例如:
from bs4 import BeautifulSoup bs = BeautifulSoup(html,"html.parser") # 获取title标签的所有内容 print(bs.title) # 获取head标签的所有内容 print(bs.head) # 获取第一个a标签的所有内容 print(bs.a) # 类型 print(type(bs.a))
我们可以利用 soup 加标签名轻松地获取这些标签的内容,这些对象的类型是 bs4.element.Tag。
但是注意,它查找的是在所有内容中的第一个符合要求的标签。
对于 Tag,它有两个重要的属性,是 name 和 attrs:
# [document]
#bs 对象本身比较特殊,它的 name 即为 [document]
print(bs.name)
# head
#对于其他内部标签,输出的值便为标签本身的名称
print(bs.head.name)
# 在这里,我们把 a 标签的所有属性打印输出了出来,得到的类型是一个字典。
print(bs.a.attrs)
#还可以利用get方法,传入属性的名称,二者是等价的
print(bs.a['class']) # bs.a.get('class')
# 可以对这些属性和内容等等进行修改
bs.a['class'] = "newClass" print(bs.a)
# 还可以对这个属性进行删除
del bs.a['class'] print(bs.a)
(2)NavigableString:获取标签内部的文字用 .string 即可,例如:
print(bs.title.string) print(type(bs.title.string))
(3)BeautifulSoup:表示的是一个文档的内容。
大部分时候,可以把它当作 Tag 对象,是一个特殊的 Tag,我们可以分别获取它的类型,名称,以及属性,例如:
print(type(bs.name)) print(bs.name) print(bs.attrs)
(4)Comment:是一个特殊类型的 NavigableString 对象,其输出的内容不包括注释符号。
print(bs.a) # 此时不能出现空格和换行符,a标签如下:
# print(bs.a.string) # 新闻 print(type(bs.a.string)) #
六、遍历文档树
(1).contents:获取Tag的所有子节点,返回一个list
# tag的.content 属性可以将tag的子节点以列表的方式输出
print(bs.head.contents)
# 用列表索引来获取它的某一个元素
print(bs.head.contents[1])
(2).children:获取Tag的所有子节点,返回一个生成器
for child in bs.body.children: print(child)
七、搜索文档树
1. find_all(name, attrs, recursive, text, **kwargs)
(1)name参数:
字符串过滤:会查找与字符串完全匹配的内容
a_list = bs.find_all("a") print(a_list)
正则表达式过滤:如果传入的是正则表达式,那么BeautifulSoup4会通过search()来匹配内容
t_list = bs.find_all(re.compile("a")) for item in t_list: print(item)
列表: 如果传入一个列表,BeautifulSoup4将会与列表中的任一元素匹配到的节点返回
t_list = bs.find_all(["meta","link"]) for item in t_list: print(item)
方法: 传入一个方法,根据方法来匹配
def name_is_exists(tag): return tag.has_attr("name") t_list = bs.find_all(name_is_exists) for item in t_list: print(item)
(2)kwargs参数:
# 查询id=head的Tag t_list = bs.find_all(id="head") print(t_list) # 查询href属性包含ss1.bdstatic.com的Tag t_list = bs.find_all(href=re.compile("http://news.baidu.com")) print(t_list) # 查询所有包含class的Tag(注意:class在Python中属于关键字,所以加_以示区别) t_list = bs.find_all(class_=True) for item in t_list: print(item)
(3)attrs参数:
并不是所有的属性都可以使用上面这种方式进行搜索,比如HTML的data-*属性,我们可以使用attrs参数,定义一个字典来搜索包含特殊属性的tag:
t_list = bs.find_all(attrs={"data-foo":"value"}) for item in t_list: print(item)
(4)text参数:
通过text参数可以搜索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
t_list = bs.find_all(attrs={"data-foo": "value"}) for item in t_list: print(item) t_list = bs.find_all(text="hao123") for item in t_list: print(item) t_list = bs.find_all(text=["hao123", "地图", "贴吧"]) for item in t_list: print(item) t_list = bs.find_all(text=re.compile("\d")) for item in t_list: print(item)
(5)limit参数:
传入一个limit参数来限制返回的数量
例如下列放回数量为2
t_list = bs.find_all("a",limit=2) for item in t_list: print(item)
2.find()
返回符合条件的第一个Tag
即当我们要取一个值的时候就可以用这个方法
t = bs.div.div # 等价于 t = bs.find("div").find("div")
八、CSS选择器
(1)通过标签名查找
print(bs.select('title')) print(bs.select('a'))
(2)通过类名查找
print(bs.select('.mnav'))
(3)通过id查找
print(bs.select('#u1'))
(4)组合查找
print(bs.select('div .bri'))
(5)属性查找
print(bs.select('a[class="bri"]')) print(bs.select('a[href="http://tieba.baidu.com"]'))
(6)获取内容
t_list = bs.select("title") print(bs.select('title')[0].get_text())
Beautiful Soup自动将输入文档转换为Unicode编码,输出文档转换为utf-8编码。你不需要考虑编码方式,除非文档没有指定一个编码方式,这时,Beautiful Soup就不能自动识别编码方式了。然后,你仅仅需要说明一下原始编码方式就可以了。
[关键词: BeautifulSoup、 Python、 htm5llib ]