Python常用库二：Beautiful Soup

【第六篇】

1.Beautiful Soup的简介

简单来说，Beautiful Soup是Python的一个库，最主要的功能是从网页抓取数据。官方解释如下：

Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。

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。

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。

废话不多说，我们来试一下吧~

2.Beautiful Soup安装

参考上一篇文章利用Pycharm安装

另一个可供选择的解析器是纯Python实现的html5lib , html5lib的解析方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，如果我们不安装它，则Python会使用Python默认的解析器，lxml解析器更加强大，速度更快，推荐安装。

3.开启BeautifulSoup之旅

中文版官方文档https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/

4.创建Beautiful Soup对象

首先必须要导入bs4库

我们创建一个字符串，后面的例子我们便会用它来演示

Python

创建beautifulsoup对象

Python

另外，我们还可以用本地HTML文件来创建对象，例如

上面这句代码便是将本地index.html文件打开，用它来创建soup对象

下面我们来打印一下soup对象的内容，格式化输出

以上便是输出结果，格式化打印出了它的内容，这个函数经常用到，小伙伴们要记好咯。

5.四大对象种类

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

下面我们进行一一介绍

（1）Tag

Tag是什么？通俗点讲就是HTML中的一个个标签，例如

上面的title a等等HTML标签加上里面包括的内容就是Tag，下面我们来感受一下怎样用Beautiful Soup来方便地获取Tags

下面每一段代码中注释部分即为运行结果

我们可以利用soup加标签名轻松地获取这些标签的内容，是不是感觉比正则表达式方便多了？不过有一点是，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，我们在后面进行介绍。

我们可以验证一下这些对象的类型

对于Tag，它有两个重要的属性，是name和attrs，下面我们分别来感受一下

name

soup对象本身比较特殊，它的name即为[document]，对于其他内部标签，输出的值便为标签本身的名称。

attrs

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。

如果我们想要单独获取某个属性，可以这样，例如我们获取它的class叫什么

还可以这样，利用get方法，传入属性的名称，二者是等价的

我们可以对这些属性和内容等等进行修改，例如

还可以对这个属性进行删除，例如

不过，对于修改删除的操作，不是我们的主要用途，在此不做详细介绍了，如果有需要，请查看前面提供的官方文档

（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

这样我们就轻松获取到了标签里面的内容，想想如果用正则表达式要多麻烦。它的类型是一个NavigableString，翻译过来叫可以遍历的字符串，不过我们最好还是称它英文名字吧。

来检查一下它的类型

（3）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

（4）Comment

Comment对象是一个特殊类型的NavigableString对象，其实输出的内容仍然不包括注释符号，但是如果不好好处理它，可能会对我们的文本处理造成意想不到的麻烦。

我们找一个带注释的标签

运行结果如下

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，我们发现它已经把注释符号去掉了，所以这可能会给我们带来不必要的麻烦。

另外我们打印输出下它的类型，发现它是一个Comment类型，所以，我们在使用前最好做一下判断，判断代码如下

上面的代码中，我们首先判断了它的类型，是否为Comment类型，然后再进行其他操作，如打印输出。

6.遍历文档树

（1）直接子节点

要点：.contents .children属性

.contents

tag的.content属性可以将tag的子节点以列表的方式输出

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

.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

我们怎样获得里面的内容呢？很简单，遍历一下就好了，代码及结果如下

（2）所有子孙节点

知识点：.descendants属性

.descendants

.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。

运行结果如下，可以发现，所有的节点都被打印出来了，先生最外层的HTML标签，其次从head标签一个个剥离，以此类推。

（3）节点内容

知识点：.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

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

（4）多个内容

知识点：.strings .stripped_strings属性

.strings

获取多个内容，不过需要遍历获取，比如下面的例子

.stripped_strings

输出的字符串中可能包含了很多空格或空行,使用.stripped_strings可以去除多余空白内容

（5）父节点

知识点：.parent属性

（6）全部父节点

知识点：.parents属性

通过元素的.parents属性可以递归得到元素的所有父辈节点，例如

（7）兄弟节点

知识点：.next_sibling .previous_sibling属性

兄弟节点可以理解为和本节点处在统一级的节点，.next_sibling属性获取了该节点的下一个兄弟节点，.previous_sibling则与之相反，如果节点不存在，则返回None

注意：实际文档中的tag的.next_sibling和.previous_sibling属性通常是字符串或空白，因为空白或者换行也可以被视作一个节点，所以得到的结果可能是空白或者换行

（8）全部兄弟节点

知识点：.next_siblings .previous_siblings属性

通过.next_siblings和.previous_siblings属性可以对当前节点的兄弟节点迭代输出

（9）前后节点

知识点：.next_element .previous_element属性

与.next_sibling .previous_sibling不同，它并不是针对于兄弟节点，而是在所有节点，不分层次

比如head节点为

那么它的下一个节点便是title，它是不分层次关系的

（10）所有前后节点

知识点：.next_elements .previous_elements属性

通过.next_elements和.previous_elements的迭代器就可以向前或向后访问文档的解析内容,就好像文档正在被解析一样

以上是遍历文档树的基本用法。

7.搜索文档树

（1）find_all(name , attrs , recursive , text , **kwargs )

find_all()方法搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件

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标签

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,这表示和标签都应该被找到

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标签和标签

D.传True

True可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点

E.传方法

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[4],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

下面方法校验了当前元素,如果包含class属性却不包含id属性,那么将返回True:

将这个方法作为参数传入find_all()方法,将得到所有

标签:

2）keyword参数

注意：如果一个指定名字的参数不是搜索内置的参数名,搜索时会把该参数当作指定名字tag的属性来搜索,如果包含一个名字为id的参数,Beautiful Soup会搜索每个tag的”id”属性

如果传入href参数,Beautiful Soup会搜索每个tag的”href”属性

使用多个指定名字的参数可以同时过滤tag的多个属性

在这里我们想用class过滤，不过class是python的关键词，这怎么办？加个下划线就可以

有些tag属性在搜索不能使用,比如HTML5中的data-*属性

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

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, True

4）limit参数

find_all()方法返回全部的搜索结构,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.

文档树中有3个tag符合搜索条件,但结果只返回了2个,因为我们限制了返回数量

5）recursive参数

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.

一段简单的文档:

是否使用recursive参数的搜索结果:

（2）find(name , attrs , recursive , text , **kwargs )

它与find_all()方法唯一的区别是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

（3）find_parents() find_parent()

find_all()和find()只搜索当前节点的所有子节点,孙子节点等.find_parents()和find_parent()用来搜索当前节点的父辈节点,搜索方法与普通tag的搜索方法相同,搜索文档搜索文档包含的内容

（4）find_next_siblings() find_next_sibling()

这2个方法通过.next_siblings属性对当tag的所有后面解析的兄弟tag节点进行迭代,find_next_siblings()方法返回所有符合条件的后面的兄弟节点,find_next_sibling()只返回符合条件的后面的第一个tag节点

（5）find_previous_siblings() find_previous_sibling()

这2个方法通过.previous_siblings属性对当前tag的前面解析的兄弟tag节点进行迭代,find_previous_siblings()方法返回所有符合条件的前面的兄弟节点,find_previous_sibling()方法返回第一个符合条件的前面的兄弟节点

（6）find_all_next() find_next()

这2个方法通过.next_elements属性对当前tag的之后的tag和字符串进行迭代,find_all_next()方法返回所有符合条件的节点,find_next()方法返回第一个符合条件的节点

（7）find_all_previous()和find_previous()

这2个方法通过.previous_elements属性对当前节点前面的tag和字符串进行迭代,find_all_previous()方法返回所有符合条件的节点,find_previous()方法返回第一个符合条件的节点

注：以上（2）（3）（4）（5）（6）（7）方法参数用法与find_all()完全相同，原理均类似，在此不再赘述。

8.CSS选择器

我们在写CSS时，标签名不加任何修饰，类名前加点，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

（2）通过类名查找

（3）通过id名查找

（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

直接子标签查找

（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。

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

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。

好，这就是另一种与find_all方法有异曲同工之妙的查找方法，是不是感觉很方便？