Python BeautifulSoup库的用法

BeautifulSoup是一个可以从HTML或者XML文件中提取数据的Python库，它通过解析器把文档解析为利于人们理解的文档导航模式，有利于查找和修改文档。

BeautifulSoup3目前已经停止开发，现在推荐使用BeautifulSoup4，它被移植到了bs4中。

# 使用时需要导入

from bs4 import BeautifulSoup

解析器

BeautifulSoup4中常用4种主要的解析器，使用前需要安装：

#不同系统安装方法

$ apt-get install Python-lxml

$ easy_install lxml

$ pip install lxml

# pycharm中安装可以先import xxx，显示有错误然后点击安装，安装后删除import语句，即可正常使用

解析器的优缺点对比
解析器	使用方法	优势	劣势
Python标准库	BeautifulSoup(DocumentName, "html.parser")	Python的内置标准库不需要单独安装执行速度适中文档容错能力强	Python 2.7.3 or 3.2.2前的班中文容错能力差
lxml HTML解析器	BeautifulSoup(DocumentName, "lxml")	速度快文档容错能力强	需要安装C语言库
lxml XML解析器	BeautifulSoup(DocumentName, "xml") BeautifulSoup(DocumentName, ["lxml","xml"])	速度快唯一支持XML的解析器	需要安装C语言库
html5lib	BeautifulSoup(DocumentName, "html5lib")	最好的容错以浏览器的方式解析文档生成HTML5格式的文档	速度慢，需要依赖python库

不同解析器的解析结果：

# 符合HTML标准的解析结果
htmldoc = "<a><p></p></a>"

print("None        :",BeautifulSoup(htmldoc))

print("html.parser :", BeautifulSoup(htmldoc, "html.parser"))

print("lxml        :", BeautifulSoup(htmldoc, "lxml"))

print("xml         :", BeautifulSoup(htmldoc, "lxml-xml"))

print("html5lib    :", BeautifulSoup(htmldoc, "html5lib"))

"""

结果为：

None        : <html><body><a><p></p></a></body></html>

html.parser : <a><p></p></a>

lxml        : <html><body><a><p></p></a></body></html>

xml         : <?xml version="1.0" encoding="utf-8"?>

              　　<a><p/></a>

html5lib    : <html><head></head><body><a><p></p></a></body></html>

"""

# 不符合HTML标准的解析结果

htmldoc = "<a></p></a>"

print("None        :",BeautifulSoup(htmldoc))

print("html.parser :", BeautifulSoup(htmldoc, "html.parser"))

print("lxml        :", BeautifulSoup(htmldoc, "lxml"))

print("xml         :", BeautifulSoup(htmldoc, "lxml-xml"))

print("html5lib    :", BeautifulSoup(htmldoc, "html5lib"))

"""

结果为：

None        : <html><body><a></a></body></html>

html.parser : <a></a>

lxml        : <html><body><a></a></body></html>

xml         : <?xml version="1.0" encoding="utf-8"?>

　　　　　　　　　　<a/>

html5lib    : <html><head></head><body><a><p></p></a></body></html>

"""

html5lib会把所有的标签不全，并且加上html、head、body，标准的html格式；默认、html.parser、lxml 解析器会把错误标签忽略掉。

编码

任何HTML或者XML文档都有自己的编码方式，但使用BeautifulSoup解析后，文档都会被转换为Unicode，输出时编码均为UTF-8。

因为BeautifulSoup用来编码自动检测库来识别当前文档的编码，并自动转换为Unicode编码。但也有小概率会识别出错，可以用.original_encoding来检测编码格式。

并且设置from_encoding参数可以提高文档的解析速度。

htmldoc = b"<h1>\xed\xe5\xec\xf9</h1>"

soup = BeautifulSoup(htmldoc, from_encoding="iso-8859-8")

print(soup.h1)

print(soup.original_encoding)

"""

结果：

<h1>םולש</h1>

'iso8859-8'

"""

指定输出编码：

htmldoc = b"<h1>\xed\xe5\xec\xf9</h1>"

soup = BeautifulSoup(htmldoc, from_encoding="iso-8859-8")
print(soup.prettify("latin-1"))

"""
结果：
b'<h1>\n νεμω\n</h1>'

"""

遍历文档树：

1. 注释<class 'bs4.element.Comment'> 和替换Comment内容

htmldoc = "<b><!--Hey, buddy. Want to buy a used parser?--></b>"

soup = BeautifulSoup(htmldoc)

comment = soup.b.string

print(comment)

print(type(comment))

print(soup2.b)

print(soup2.b.prettify()) #comment特色输出方式

# 替换Comment

cdata= CData("A CData block")

comment.replace_with(cdata)

print(soup2.b.prettify())

"""

结果：

Hey, buddy. Want to buy a used parser?

<class 'bs4.element.Comment'>

<b><!--Hey, buddy. Want to buy a used parser?--></b>

<b>

 <!--Hey, buddy. Want to buy a used parser?-->

</b>

<b>

<![CDATA[A CData block]]>

</b>

"""

CData使用时需要导入 from bs4 import CData

2. soup.tagName 返回类型 <class 'bs4.element.Tag'>，得到文档中第一个tagName标签 == soup.find(tagName)

soup.div #得到文章中第一个div标签

soup.a #得到文章中第一个a标签

3. soup.tagName.get_text() / soup.tagName.text 返回类型 <class 'str'>，得到该标签内容，对每个BeautifulSoup处理后的对象都生效。

soup.a.get_text()

soup.a.text

4. soup.tagName.tagName["AttributeName"] 获得标签内属性值，逐级访问标签可以用 . 连接，某个属性值用 ["属性名"] 访问。

soup.div.a['href']

5. soup.ul.contents 返回类型为<class 'list'>，可以用下标访问其中的元素

　list内元素类型为 <class 'bs4.element.Tag'> or <class 'bs4.element.NavigableString'>

　如果是单一标签可以用 string 返回文本，如果超过1个标签就返回None

soup.ul.contents

type(soup.ul.contents) #<class 'list'>

soup.ul.contents[0].string

type(soup.ul.contents[0])

6. find_all(name, attrs, recursice, text, limit, **kwargs)，返回的类型为 <class 'bs4.element.ResultSet'>

# 找到所有标签为tagName的集合

soup.find_all("tagName")

soup.find_all("a")

# 找到所有标签为tagName 且 class=className的集合

soup.find_all("tagName", "className")

soup.find_all("div","Score")

# 找到所有id=idName的标签

soup.find_all(id = "idName")

# 使用多个指定名字的参数可以同时过滤tag的多个属性:

soup.find_all(href = re.compile("else"))

soup.find_all(href=re.compile("elsie"), id='link1')

# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]

# 有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性

data_soup = BeautifulSoup('<div data-foo="value">foo!</div>')

data_soup.find_all(data-foo="value")

# SyntaxError: keyword can't be an expression

# 可以用attrs 参数定义一个字典参数来搜索包含特殊属性的tag

data_soup.find_all(attrs={"data-foo": "value"})

# [<div data-foo="value">foo!</div>]

# 找到所有有id的标签

soup.find_all(id = True)

# 找到所有标签为tagName且class = "className"的标签

soup.find_all("tagName", class_ = "className")

# css class参数过滤

soup.find_all(class_=re.compile("itl"))

# [<p class="title"><b>The Dormouse's story</b></p>]

# 通过文本查找文本

soup.find_all(text = "textContent")

soup.find_all(text = ["Content1", "Content2"])

# 文本参数过滤

soup.find_all(text=re.compile("Dormouse"))

# 限制结果个数

soup.find_all("tagName", limit = 2)

elemSet = soup.find_all("div", limit = 2)

# 可循环出每个元素

for item in elemSet:

    print(item)

    print(item.text)

7. 通过 css 选择器查找，返回值 <class 'list'>，list中元素类型为 <class 'bs4.element.Tag'>

htmldoc = """

<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(htmldoc, "lxml")

# tag标签查找

soup.select("title")

# tag标签逐层查找

soup.select("html head title")

soup.select("head title")

soup.select("body a")

# tag标签下的直接子标签

soup.select("head > title")

soup.select("p > a")

soup.select("p > a:nth-of-type(2)")

soup.select("p > #link1")

# css类名查找

soup.select(".sister")

# id 查找

soup.select("#link1")

# 通过属性查找

soup.select("a[href]")

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

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

soup.select('a[href$="tillie"]')

soup.select('a[href*=".com/el"]')

type(soup.select("a[href]")) # <class 'list'>

# 通过循环获取到每个tag

list = soup.select("a[href]")

for item in list:

    print(item)

    print(type(item)) # <class 'bs4.element.Tag'>

    print(item.text)

    print(item.string)

巴特西

Python BeautifulSoup库的用法

解析器

编码

遍历文档树：

最新文章

热门文章