CSS 选择器：BeautifulSoup4解析器
【摘要】
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。
Beautif...
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。使用 pip 安装即可：
pip install beautifulsoup4
| 抓取工具 | 速度 | 使用难度 | 安装难度 |
|---|---|---|---|
| 正则 | 最快 | 困难 | 无（内置） |
| BeautifulSoup | 慢 | 最简单 | 简单 |
| lxml | 快 | 简单 | 一般 |
示例：
首先必须要导入 bs4 库
-
# beautifulsoup4_test.py
-
-
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 Beautiful Soup 对象
-
soup = BeautifulSoup(html)
-
-
#打开本地 HTML 文件的方式来创建对象
-
#soup = BeautifulSoup(open('index.html'))
-
-
#格式化输出 soup 对象的内容
-
print soup.prettify()
运行结果：
-
<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>
-
,
-
<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>
-
</html>
如果我们在 IPython2 下执行，会看到这样一段警告：
意思是，如果我们没有显式地指定解析器，所以默认使用这个系统的最佳可用HTML解析器(“lxml”)。如果你在另一个系统中运行这段代码，或者在不同的虚拟环境中，使用不同的解析器造成行为不同。
- 但是我们可以通过
soup = BeautifulSoup(html,“lxml”)方式指定lxml解析器。
四大对象种类
Beautiful Soup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:
- Tag
- NavigableString
- BeautifulSoup
- Comment
1. Tag
Tag 通俗点讲就是 HTML 中的一个个标签，例如：
-
<head><title>The Dormouse's story</title></head>
-
<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
-
<p class="title" name="dromouse"><b>The Dormouse's story</b></p>
上面的 title head a p等等 HTML 标签加上里面包括的内容就是 Tag，那么试着使用 Beautiful Soup 来获取 Tags:
-
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 Beautiful Soup 对象
-
soup = BeautifulSoup(html)
-
-
-
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'>
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。如果要查询所有的标签，后面会进行介绍。
对于 Tag，它有两个重要的属性，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'] # 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
-
-
soup.p['class'] = "newClass"
-
print soup.p # 可以对这些属性和内容等等进行修改
-
# <p class="newClass" name="dromouse"><b>The Dormouse's story</b></p>
-
-
del soup.p['class'] # 还可以对这个属性进行删除
-
print soup.p
-
# <p name="dromouse"><b>The Dormouse's story</b></p>
2. NavigableString
既然我们已经得到了标签的内容，那么问题来了，我们要想获取标签内部的文字怎么办呢？很简单，用 .string 即可，例如
-
print soup.p.string
-
# The Dormouse's story
-
-
print type(soup.p.string)
-
# In [13]: <class 'bs4.element.NavigableString'>
3. BeautifulSoup
BeautifulSoup 对象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，以及属性来感受一下
-
print type(soup.name)
-
# <type 'unicode'>
-
-
print soup.name
-
# [document]
-
-
print soup.attrs # 文档本身的属性为空
-
# {}
4. Comment
Comment 对象是一个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号。
-
print soup.a
-
# <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
-
-
print soup.a.string
-
# Elsie
-
-
print type(soup.a.string)
-
# <class 'bs4.element.Comment'>
a 标签里的内容实际上是注释，但是如果我们利用 .string 来输出它的内容时，注释符号已经去掉了。
遍历文档树
1. 直接子节点 ：.contents .children 属性
.content
tag 的 .content 属性可以将tag的子节点以列表的方式输出
-
print soup.head.contents
-
#[<title>The Dormouse's story</title>]
输出方式为列表，我们可以用列表索引来获取它的某一个元素
-
print soup.head.contents[0]
-
#<title>The Dormouse's story</title>
.children
它返回的不是一个 list，不过我们可以通过遍历获取所有子节点。
我们打印输出 .children 看一下，可以发现它是一个 list 生成器对象
-
print soup.head.children
-
#<listiterator object at 0x7f71457f5710>
-
-
for child in soup.body.children:
-
print child
结果:
-
<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>,
-
<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>
2. 所有子孙节点: .descendants 属性
.contents 和 .children 属性仅包含tag的直接子节点，.descendants 属性可以对所有tag的子孙节点进行递归循环，和 children类似，我们也需要遍历获取其中的内容。
-
for child in soup.descendants:
-
print child
运行结果：
-
<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>,
-
<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></html>
-
<head><title>The Dormouse's story</title></head>
-
<title>The Dormouse's story</title>
-
The Dormouse's story
-
-
-
<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>,
-
<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>
-
-
-
<p class="title" name="dromouse"><b>The Dormouse's story</b></p>
-
<b>The Dormouse's story</b>
-
The Dormouse's story
-
-
-
<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>
-
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>
-
Elsie
-
,
-
-
<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>
-
Lacie
-
and
-
-
<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
-
Tillie
-
;
-
and they lived at the bottom of a well.
-
-
-
<p class="story">...</p>
-
...
3. 节点内容: .string 属性
如果tag只有一个 NavigableString 类型子节点,那么这个tag可以使用 .string 得到子节点。如果一个tag仅有一个子节点,那么这个tag也可以使用 .string 方法,输出结果与当前唯一子节点的 .string 结果相同。
通俗点说就是：如果一个标签里面没有标签了，那么 .string 就会返回标签里面的内容。如果标签里面只有唯一的一个标签了，那么 .string 也会返回最里面的内容。例如：
-
print soup.head.string
-
#The Dormouse's story
-
print soup.title.string
-
#The Dormouse's story
搜索文档树
1.find_all(name, attrs, recursive, text, **kwargs)
1）name 参数
name 参数可以查找所有名字为 name 的tag,字符串对象会被自动忽略掉
A.传字符串
最简单的过滤器是字符串.在搜索方法中传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容,下面的例子用于查找文档中所有的<b>标签:
-
soup.find_all('b')
-
# [<b>The Dormouse's story</b>]
-
-
print 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>]
B.传正则表达式
如果传入正则表达式作为参数,Beautiful Soup会通过正则表达式的 match() 来匹配内容.下面例子中找出所有以b开头的标签,这表示<body>和<b>标签都应该被找到
-
import re
-
for tag in soup.find_all(re.compile("^b")):
-
print(tag.name)
-
# body
-
# b
C.传列表
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:
-
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>]
2）keyword 参数
-
soup.find_all(id='link2')
-
# [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]
3）text 参数
通过 text 参数可以搜搜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
-
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"]
CSS选择器
这就是另一种与 find_all 方法有异曲同工之妙的查找方法.
-
写 CSS 时，标签名不加任何修饰，类名前加
.，id名前加# -
在这里我们也可以利用类似的方法来筛选元素，用到的方法是
soup.select()，返回类型是list
（1）通过标签名查找
-
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>]
-
-
print soup.select('b')
-
#[<b>The Dormouse's story</b>]
（2）通过类名查找
-
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）通过 id 名查找
-
print soup.select('#link1')
-
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
（4）组合查找
组合查找即和写 class 文件时，标签名与类名、id名进行的组合原理是一样的，例如查找 p 标签中，id 等于 link1的内容，二者需要用空格分开
-
print soup.select('p #link1')
-
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
直接子标签查找，则使用 > 分隔
-
print soup.select("head > title")
-
#[<title>The Dormouse's story</title>]
（5）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，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到。
-
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>]
同样，属性仍然可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格
-
print soup.select('p a[href="http://example.com/elsie"]')
-
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
(6) 获取内容
以上的 select 方法返回的结果都是列表形式，可以遍历形式输出，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()
文章来源: lansonli.blog.csdn.net，作者：Lansonli，版权归原作者所有，如需转载，请联系作者。
原文链接：lansonli.blog.csdn.net/article/details/102800943
【版权声明】本文为华为云社区用户转载文章，如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱：
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论（0）