# BeautifulSoup库

  • 和 lxml 一样,Beautiful Soup 也是一个 HTML/XML 的解析器,主要的功能也是如何解析和提取 HTML/XML 数据。
  • lxml 只会局部遍历,而 Beautiful Soup 是基于 HTML DOM(Document Object Model)的,会载入整个文档,解析整个 DOM 树,因此时间和内存开销都会大很多,所以- 性能要低于 lxml。
  • BeautifulSoup 用来解析 HTML 比较简单,API 非常人性化,支持 CSS 选择器、Python 标准库中的 HTML 解析器,也支持 lxml 的 XML 解析器。
  • Beautiful Soup 3 目前已经停止开发,推荐现在的项目使用 Beautiful Soup 4。
  • 安装命令:pip install pip install bs4
  • 中文文档:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html (opens new window)

# Python 中的解析工具

解析工具 解析速度 使用难度
BeautifulSoup 最慢 最简单
lxml 简单
正则表达式 最快 最难

# 简单使用

from bs4 import BeautifulSoup

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>
"""

# 创建 BeautifulSoup 对象,使用lxml解析
soup = BeautifulSoup(html,'lxml')

print(soup.prettify())
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

# 四个常用的对象

BeautifulSoup将复杂的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:Tag、NavigatableString、BeautifulSoup、Comment

# Tag

Tag其实就是HTML中的标签

from bs4 import BeautifulSoup

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>
"""

# 创建 BeautifulSoup 对象
soup = BeautifulSoup(html, 'lxml')

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

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

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

print(soup.p)
# <p class="title" name="dromouse"><b>The Dormouse's story</b></p>

print(type(soup.p))
# <class 'bs4.element.Tag'>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

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,查找的是所有内容中的第一个符合要求的标签。对于Tag,他有两个重要的属性,分别是 name 和 attrs

print(soup.name)
# [document]
#soup 对象本身比较特殊,它的 name 即为 [document]

print(soup.head.name)
# head
#对于其他内部标签,输出的值便为标签本身的名称

print(soup.p.attrs)
# {'class': ['title'], 'name': 'dromouse'}
# 在这里,我们把 p 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(soup.p['class'])
print(soup.p.get('class'))
# ['title']
#还可以利用get方法,传入属性的名称,二者是等价的

# 可以对这些属性和内容等等进行修改
soup.p['class'] = "newClass"
print(soup.p ) # <p class="newClass" name="dromouse"><b>The Dormouse's story</b></p>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

如果拿到标签后,还想获取标签中的的内容,那么可以通过 tag.string 获取标签中的文本内容

print(soup.p.string)
# The Dormouse's story

print(type(soup.p.string))
# <class 'bs4.element.NavigableString'>
1
2
3
4
5

# BeautifulSoup

BeautifulSoup 对象表示的是一个文档的全部内容,大部分时候可以把它当做Tag对象,它支持 遍历文档数 和 搜索文档数 中描述的大部分方法。

因为BeautifulSoup 对象并不是真正的HTML或XML的Tag,所以他没有name和attribute属性,但查看它的 .name 属性是很方便的,BeautifulSoup 对象包含了一个值为 [document] 的特殊属性 .name

print(soup.name)
# '[document]'
1
2

# Comment

Tag , NavigableString , BeautifulSoup 几乎覆盖了HTML和XML中的所有内容,但是还有一些特殊对象,注释。

markup = "<b><!--Hey, buddy. Want to buy a used parser?--></b>"
soup = BeautifulSoup(markup)
comment = soup.b.string
type(comment)
# <class 'bs4.element.Comment'>
1
2
3
4
5

Comment 对象是一个特殊类型的 NavigableString 对象

comment
# 'Hey, buddy. Want to buy a used parser'
1
2

# 遍历文档树

# contents和children

from bs4 import BeautifulSoup
html_doc = """
<html><head><title>The Dormouse's story</title></head>

<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>
"""
soup = BeautifulSoup(html_doc, 'lxml')

head_tag = soup.head

# <head><title>The Dormouse's story</title></head>
print(head_tag)

# 返回所有子节点的迭代器
for child in head_tag.children:
    print(child)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

# strings和stripped_strings

如果tag中包含多个字符串,可以使用 strings 来循环获取

for string in soup.strings:
    print(repr(string))
    # "The Dormouse's story"
    # '\n'
    # "The Dormouse's story"
    # '\n'
    # 'Once upon a time there were three little sisters; and their names were\n'
    # 'Elsie'
    # ',\n'
    # 'Lacie'
    # ' and\n'
    # 'Tillie'
    # ';\nand they lived at the bottom of a well.'
    # '\n'
    # '...'
    # '\n'
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

输出的字符串中可能包含了很多空格和空白字符,使用 stripped_strings 可以去除多余空白内容

for string in soup.stripped_strings:
    print(repr(string))
    # "The Dormouse's story"
    # "The Dormouse's story"
    # 'Once upon a time there were three little sisters; and their names were'
    # 'Elsie'
    # ','
    # 'Lacie'
    # 'and'
    # 'Tillie'
    # ';\nand they lived at the bottom of a well.'
    # '...'
1
2
3
4
5
6
7
8
9
10
11
12

# 搜索文档树

# find和find_all

  • 搜索文档树,用的比较多的是 findfind_all
  • find 方法是找到第一个满足条件的标签后就立即返回,只返回一个元素
  • find_all 方法是把所有满足条件的标签都返回
soup.find_all('a', attrs={'id': 'link2'})
1

或者是直接传入属性的名字作为关键字参数

soup.find_all('a', id='link2')
1

# select

使用以上方法可以方便的找出元素,但有时候使用css选择器的方式可以更加的方便,应该使用select方法。

# 通过标签名查找

print(soup.select('a'))
1

# 通过类名查找

通过类名,应该在类的前面加一个 . ,比如要查找 class='sister' 的标签

print(soup.select('.sister'))
1

# 通过id查找

通过id查找,应该在id的名字前面加一个 #

print(soup.select('#link1'))
1

# 组合查找

组合查找即和写class文件时,标签名与类名、id名进行组合原理是一样的,例如查找p标签中,id='link1'的内容

print(soup.select('p #link1'))
1

直接子标签查找,则使用 > 分割

print(soup.select('head > title'))
1

# 通过属性查找

查找时还可以加入属性元素,属性需要用中括号括起来,属性和标签属于同一个节点,所以中间不能加空格,否则会无法匹配到

print(soup.select('a[href="http://example.com/elsie"]'))
1

# 获取内容

以上的select方法返回的结果都是列表形式,可以用遍历的形式输出,然后用 get_text() 方法来获取它的内容

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())
1
2
3
4
5
6