第三篇：解析库之re、beautifulsoup、pyquery
2024-09-02 05:54:27
BeatifulSoup模块
一、介绍
Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间.你可能在寻找 Beautiful Soup3 的文档,Beautiful Soup 3 目前已经停止开发,官网推荐在现在的项目中使用Beautiful Soup 4, 移植到BS4
#安装 Beautiful Soup
pip install beautifulsoup4 #安装解析器
Beautiful Soup支持Python标准库中的HTML解析器,还支持一些第三方的解析器,其中一个是 lxml .根据操作系统不同,可以选择下列方法来安装lxml: $ apt-get install Python-lxml $ easy_install lxml $ pip install lxml 另一个可供选择的解析器是纯Python实现的 html5lib , html5lib的解析方式与浏览器相同,可以选择下列方法来安装html5lib: $ apt-get install Python-html5lib $ easy_install html5lib $ pip install html5lib
下表列出了主要的解析器,以及它们的优缺点,官网推荐使用lxml作为解析器,因为效率更高. 在Python2.7.3之前的版本和Python3中3.2.2之前的版本,必须安装lxml或html5lib, 因为那些Python版本的标准库中内置的HTML解析方法不够稳定.
二、基本使用
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<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>
""" #基本使用：容错处理,文档的容错能力指的是在html代码不完整的情况下,使用该模块可以识别该错误。使用BeautifulSoup解析上述代码,能够得到一个 BeautifulSoup 的对象,并能按照标准的缩进格式的结构输出
from bs4 import BeautifulSoup
soup=BeautifulSoup(html_doc,'lxml') #具有容错功能
res=soup.prettify() #处理好缩进，结构化显示
print(res)
三、遍历文档树
#遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个
#1、用法
#2、获取标签的名称
#3、获取标签的属性
#4、获取标签的内容
#5、嵌套选择
#6、子节点、子孙节点
#7、父节点、祖先节点
#8、兄弟节点
1 #遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个
2 html_doc = """
3 <html><head><title>The Dormouse's story</title></head>
4 <body>
5 <p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b></p>
6
7 <p class="story">Once upon a time there were three little sisters; and their names were
8 <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
9 <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
10 <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
11 and they lived at the bottom of a well.</p>
12
13 <p class="story">...</p>
14 """
15
16 #1、用法
17 from bs4 import BeautifulSoup
18 soup=BeautifulSoup(html_doc,'lxml')
19 # soup=BeautifulSoup(open('a.html'),'lxml')
20
21 print(soup.p) #存在多个相同的标签则只返回第一个
22 print(soup.a) #存在多个相同的标签则只返回第一个
23
24 #2、获取标签的名称
25 print(soup.p.name)
26
27 #3、获取标签的属性
28 print(soup.p.attrs)
29
30 #4、获取标签的内容
31 print(soup.p.string) # p下的文本只有一个时，取到，否则为None
32 print(soup.p.strings) #拿到一个生成器对象, 取到p下所有的文本内容
33 print(soup.p.text) #取到p下所有的文本内容
34 for line in soup.stripped_strings: #去掉空白
35 print(line)
36
37
38 '''
39 如果tag包含了多个子节点,tag就无法确定 .string 方法应该调用哪个子节点的内容, .string 的输出结果是 None，如果只有一个子节点那么就输出该子节点的文本，比如下面的这种结构，soup.p.string 返回为None,但soup.p.strings就可以找到所有文本
40 <p id='list-1'>
41 哈哈哈哈
42 <a class='sss'>
43 <span>
44 <h1>aaaa</h1>
45 </span>
46 </a>
47 <b>bbbbb</b>
48 </p>
49 '''
50
51 #5、嵌套选择
52 print(soup.head.title.string)
53 print(soup.body.a.string)
54
55
56 #6、子节点、子孙节点
57 print(soup.p.contents) #p下所有子节点
58 print(soup.p.children) #得到一个迭代器,包含p下所有子节点
59
60 for i,child in enumerate(soup.p.children):
61 print(i,child)
62
63 print(soup.p.descendants) #获取子孙节点,p下所有的标签都会选择出来
64 for i,child in enumerate(soup.p.descendants):
65 print(i,child)
66
67 #7、父节点、祖先节点
68 print(soup.a.parent) #获取a标签的父节点
69 print(soup.a.parents) #找到a标签所有的祖先节点，父亲的父亲，父亲的父亲的父亲...
70
71
72 #8、兄弟节点
73 print('=====>')
74 print(soup.a.next_sibling) #下一个兄弟
75 print(soup.a.previous_sibling) #上一个兄弟
76
77 print(list(soup.a.next_siblings)) #下面的兄弟们=>生成器对象
78 print(soup.a.previous_siblings) #上面的兄弟们=>生成器对象
1 soup = BeautifulSoup(html_doc,"lxml") #第一个参数指定文本内容，第二个参数解析器
2
3 # soup = BeautifulSoup(open("a.html"),"lxml") #也可以打开一个文件创建实例
4 print(soup.prettify()) #容错性的体现，自动补全
5 print(soup.a) #只找到了一个，而且是从整个文档树找
6 print(soup.a.text) #找到a标签里面的文本
7 print(soup.text) #找整个文档树种所有的文本
8 print(soup.a.attrs) #找a标签的所有属性，字典形式
9 print(soup.a.attrs["href"]) #找a标签的href属性
10 print(soup.p.b) #嵌套查找，这是只找一个
11 print(soup.p.contents) #子节点，找到的是一个闭标签
12 print(list(soup.p.children )) #得到生成器
13 print(list(soup.p.descendants)) #所有的子子孙孙
14 print(soup.a.parent)#找父亲
15 print(list(soup.a.parent))#父亲的父亲的父亲
16
17 print(soup.p.find_all() ) #标签名可以和find可以结合在一起使用
基本使用
四、搜索文档数
1、五种过滤器
1 from bs4 import BeautifulSoup
2 html_doc = '''<html><head><title>The Dormouse's story</title></head>
3 <body>
4 <p class="title"><b>The Dormouse's story</b></p>
5 <p class="title"><b>$75</b></p>
6 <p id="meiyuan">啦啦啦啦啦啦</p>
7
8 <p class="story">Once upon a time there were three little sisters; and their names were
9 <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
10 <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
11 <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
12 and they lived at the bottom of a well.</p>'''
13 soup= BeautifulSoup(html_doc,"lxml")
14 # 1、字符串：特点：是一种完全匹配的
15 print(soup.find_all(name="a")) #找到所有的a标签
16 print(soup.find_all(name="a aa")) #找不到，会打印一个[]
17 print(soup.find_all(attrs={"class":"sister"}))
18 print(soup.find_all(text="The Dormouse's story")) #按照文本来找
19 print(soup.find_all(name="b",text="The Dormouse's story")) #找标签名是b，并且文本是The Dormouse's story
20 print(soup.p.find(name="b").text) #第一个p标签的b里面的文本
21 print(soup.find_all(name="p",attrs={"class":"story"})) #找到标签名是p,属性名是class,
22 print(soup.find(name="p",attrs={"class":"story"}).find_all(name="a")[2]) #找到标签名是p,属性名是class的第二个a标签
23 # 2、正则
24 import re
25 print(soup.find_all(name=re.compile("^b"))) #找b开头的的标签
26 print(soup.find_all(attrs={"id":re.compile("link")})) #找到id属性是link的
27 print(soup.find_all(text=re.compile(r"\$"))) #找带有$价钱的文本
28 #
29 # # 3、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.
30 print(soup.find_all(name=["a",re.compile("^b")])) #找a标签或者b标签开头的所有的标签
31 print(soup.find_all(text=["$",])) #找不到
32 print(soup.find_all(text=[re.compile(r"\$")])) #['$75']
33 print(soup.find_all(text=["a",re.compile(r"\$")]))
34
35 # # 4、True：可以匹配任何值
36 print(soup.find_all(name=True)) #找到所有标签的标签名
37 print(soup.find_all(attrs={"id":True}))#找到只要有id属性的
38 #
39 print(soup.find_all(name="p",attrs={"id":True}))# 找到有id属性的p标签
40 # 5、方法：如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数 ,如果这个方法返回 True 表示当前元素匹配并且被找到,如果不是则反回 False
41 #
42 # # 有class属性没有id属性的
43 def has_class_not_id(tag):
44 return tag.has_attr('class') and not tag.has_attr('id')
45 # return tag.has_attr('id') and not tag.has_attr('class')
46
47 # return tag.name =="a" and tag.has_attr("class") and not tag.has_attr("id")
48 # # #只找a标签
49 print(soup.find_all(has_class_not_id)) #默认是按照标签来找的
50
51
52 print(soup.find_all(name="a",limit=2))#找所有的a标签，只找前两个
53 print(soup.body.find_all(attrs={"class":"sister"},recursive=False))#找属性为sister的
54 print(soup.html.find_all('a'))
55 print(soup.html.find_all('a',recursive=False))
56 # recursive = True #从子子孙孙都找到了
57 # recursive = False #如果只想搜索tag的直接子节点（就不往里面找了）,可以使用参数 recursive=False .
58
59 # **kwargs
60 print(soup.find_all(attrs={"class":"sister"}))
61 print(soup.find_all(class_="sister")) #这两个是一样的
62
63 print(soup.find_all(attrs={"id":"link3"})) #这两个是一样的，只是表示方式不一样
64 print(soup.find_all(id="link3"))
2、find_all( name , attrs , recursive , text , **kwargs )
1 #2、find_all( name , attrs , recursive , text , **kwargs )
2 #2.1、name: 搜索name参数的值可以使任一类型的 过滤器 ,字符窜,正则表达式,列表,方法或是 True .
3 print(soup.find_all(name=re.compile('^t')))
4
5 #2.2、keyword: key=value的形式，value可以是过滤器：字符串 , 正则表达式 , 列表, True .
6 print(soup.find_all(id=re.compile('my')))
7 print(soup.find_all(href=re.compile('lacie'),id=re.compile('\d'))) #注意类要用class_
8 print(soup.find_all(id=True)) #查找有id属性的标签
9
10 # 有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性:
11 data_soup = BeautifulSoup('<div data-foo="value">foo!</div>','lxml')
12 # data_soup.find_all(data-foo="value") #报错：SyntaxError: keyword can't be an expression
13 # 但是可以通过 find_all() 方法的 attrs 参数定义一个字典参数来搜索包含特殊属性的tag:
14 print(data_soup.find_all(attrs={"data-foo": "value"}))
15 # [<div data-foo="value">foo!</div>]
16
17 #2.3、按照类名查找，注意关键字是class_，class_=value,value可以是五种选择器之一
18 print(soup.find_all('a',class_='sister')) #查找类为sister的a标签
19 print(soup.find_all('a',class_='sister ssss')) #查找类为sister和sss的a标签，顺序错误也匹配不成功
20 print(soup.find_all(class_=re.compile('^sis'))) #查找类为sister的所有标签
21
22 #2.4、attrs
23 print(soup.find_all('p',attrs={'class':'story'}))
24
25 #2.5、text: 值可以是：字符，列表，True，正则
26 print(soup.find_all(text='Elsie'))
27 print(soup.find_all('a',text='Elsie'))
28
29 #2.6、limit参数:如果文档树很大那么搜索会很慢.如果我们不需要全部结果,可以使用 limit 参数限制返回结果的数量.效果与SQL中的limit关键字类似,当搜索到的结果数量达到 limit 的限制时,就停止搜索返回结果
30 print(soup.find_all('a',limit=2))
31
32 #2.7、recursive:调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False .
33 print(soup.html.find_all('a'))
34 print(soup.html.find_all('a',recursive=False))
35
36 '''
37 像调用 find_all() 一样调用tag
38 find_all() 几乎是Beautiful Soup中最常用的搜索方法,所以我们定义了它的简写方法. BeautifulSoup 对象和 tag 对象可以被当作一个方法来使用,这个方法的执行结果与调用这个对象的 find_all() 方法相同,下面两行代码是等价的:
39 soup.find_all("a")
40 soup("a")
41 这两行代码也是等价的:
42 soup.title.find_all(text=True)
43 soup.title(text=True)
44 '''
3、find( name , attrs , recursive , text , **kwargs )
1 #3、find( name , attrs , recursive , text , **kwargs )
2 find_all() 方法将返回文档中符合条件的所有tag,尽管有时候我们只想得到一个结果.比如文档中只有一个<body>标签,那么使用 find_all() 方法来查找<body>标签就不太合适, 使用 find_all 方法并设置 limit=1 参数不如直接使用 find() 方法.下面两行代码是等价的:
3
4 soup.find_all('title', limit=1)
5 # [<title>The Dormouse's story</title>]
6 soup.find('title')
7 # <title>The Dormouse's story</title>
8
9 唯一的区别是 find_all() 方法的返回结果是值包含一个元素的列表,而 find() 方法直接返回结果.
10 find_all() 方法没有找到目标是返回空列表, find() 方法找不到目标时,返回 None .
11 print(soup.find("nosuchtag"))
12 # None
13
14 soup.head.title 是 tag的名字 方法的简写.这个简写的原理就是多次调用当前tag的 find() 方法:
15
16 soup.head.title
17 # <title>The Dormouse's story</title>
18 soup.find("head").find("title")
19 # <title>The Dormouse's story</title>
4、其他方法
见官网:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#find-parents-find-parent
5、CSS选择器
1 #该模块提供了select方法来支持css,详见官网:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#id37
2 html_doc = """
3 <html><head><title>The Dormouse's story</title></head>
4 <body>
5 <p class="title">
6 <b>The Dormouse's story</b>
7 Once upon a time there were three little sisters; and their names were
8 <a href="http://example.com/elsie" class="sister" id="link1">
9 <span>Elsie</span>
10 </a>
11 <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
12 <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
13 <div class='panel-1'>
14 <ul class='list' id='list-1'>
15 <li class='element'>Foo</li>
16 <li class='element'>Bar</li>
17 <li class='element'>Jay</li>
18 </ul>
19 <ul class='list list-small' id='list-2'>
20 <li class='element'><h1 class='yyyy'>Foo</h1></li>
21 <li class='element xxx'>Bar</li>
22 <li class='element'>Jay</li>
23 </ul>
24 </div>
25 and they lived at the bottom of a well.
26 </p>
27 <p class="story">...</p>
28 """
29 from bs4 import BeautifulSoup
30 soup=BeautifulSoup(html_doc,'lxml')
31
32 #1、CSS选择器
33 print(soup.p.select('.sister'))
34 print(soup.select('.sister span'))
35
36 print(soup.select('#link1'))
37 print(soup.select('#link1 span'))
38
39 print(soup.select('#list-2 .element.xxx'))
40
41 print(soup.select('#list-2')[0].select('.element')) #可以一直select,但其实没必要,一条select就可以了
42
43 # 2、获取属性
44 print(soup.select('#list-2 h1')[0].attrs)
45
46 # 3、获取内容
47 print(soup.select('#list-2 h1')[0].get_text())
五、修改文档数
链接：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#id40
六、总结
总结:
#1、推荐使用lxml解析库
#2、讲了三种选择器:标签选择器,find与find_all，css选择器
1、标签选择器筛选功能弱,但是速度快
2、建议使用find,find_all查询匹配单个结果或者多个结果
3、如果对css选择器非常熟悉建议使用select
#3、记住常用的获取属性attrs和文本值get_text()的方法
最新文章
- 【Win 10 应用开发】通过数据绑定更新进度条
- SQL Queries from Transactional Plugin Pipeline
- http://www.cnblogs.com/youring2/archive/2011/03/28/1997694.html
- 【C-01关键字】
- Jquery省市区三级联动案例
- Xamarin for Mac 2.0.2.35 稳定版 破解补丁 Preview 2
- C++拓扑排序
- Azure编程笔记（1）：序列化复杂类型的TableEntity字段
- 函数lock_rec_bitmap_reset
- zepto.js 学习之(一)
- 【dp】 poj 1953
- 简学Python第六章__class面向对象编程与异常处理
- [UIKit学习]01.关于UIView，frame，bounds，center
- webstorm快速输入标签
- 20165232 实现pwd
- swift 有道 翻译文档(2 条件语句 循环语句)
- HDU1532 网络流最大流【EK算法】(模板题)
- 在TensorFlow中运行程序多次报错：AttributeError: __exit__
- JMeter学习（二）录制脚本（转载）
- Amount of Degrees（数位dp）