1. Beautiful Soup简介

Beautiful Soup是将数据从HTML和XML文件中解析出来的一个python库，它能够提供一种符合习惯的方法去遍历搜索和修改解析树，这将大大减少爬虫程序的运行时间。

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。

2. Beautiful Soup安装

利用pip可以迅速安装，目前最新版本为BeautifulSoup4。

1 $ pip install beautifulsoup4

安装后，import一下bs4就可以使用了。

1 from bs4 import BeautifulSoup

3. 创建Beautiful Soup对象

我们利用以下测试文件来进行之后的总结。

1 html = """

2

The Dormouse's story3 4

The Dormouse's story

5

Once upon a time there were three little sisters; and their names were6 ,7 Lacie and8 Tillie;9 and they lived at the bottom of a well.

10

...

11 """

import之后，创建一个BeautifulSoup对象如下参数可以是一个抓取到的unicode格式的网页html，也可以是一个已经保存到本地的html文件test.html。

1 soup =BeautifulSoup(html)2 soup = BeautifulSoup(open('test.html'))

创建后查看是否创建成功。注意：有时需要在后面加上encode('utf-8')来进行编码才能将soup对象正确显示出来。

1 print soup.prettify()

4. 四种Beautiful Soup对象类型

Beautiful Soup一共有四大对象种类，包括Tag，NavigableString，BeautifulSoup和Comment。

4.1 Tag

Tag对象

Tag就是html文件中的标签以及标签之间的内容，例如以下就是一个Tag。

1

The Dormouse's story

可以这样得到title这个Tag，第二行为运行结果。

1 printsoup.title2 #

The Dormouse's story

注意：如果得到的是'bs4.element.Tag'类型的对象可以继续进行后续的.操作，即能进行soup对象所能进行的操作，所以需要确保一个对象是'bs4.element.Tag'类型后再进行后续对其的操作，例如后面将介绍的.find方法是Tag对象才拥有的。

1 printtype(soup.title)2 #

Tag方法

.name

Tag对象的.name方法得到的是该Tag的标签本身名称。

1 printsoup.title.name2 #title

.attrs

Tag对象的.attrs将得到标签中所有属性的字典。

1 printsoup.p.attrs2 #{'class': ['title'], 'name': 'dromouse'}

可以对Tag对象进行字典可以进行的操作，例如修改，删除，读取等。

1 print soup.p['class']#读取(方法一)

2 #['title']

3 print soup.p.get('class')#读取(方法二)

4 #['title']

5

6 soup.p['class']="newClass"#修改

7 printsoup.p8 #

The Dormouse's story

9

10 del soup.p['class']#删除

11 printsoup.p12 #

The Dormouse's story

4.2 NavigableString

标签内部的内容由.string方法可以得到，且这些内容为'bs4.element.NavigableString'类型的对象。

1 printsoup.p.string2 #The Dormouse's story

3

4 printtype(soup.p.string)5 #

4.3 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。

1 printtype(soup.name)2 #

3 printsoup.name4 #[document]

5 printsoup.attrs6 #{} 空字典

4.4 Comment

前三种类型几乎涵盖了在HTML或者XML中所有的内容，但是Comment类型是需要关心的一种，和CData，ProcessingInstruction，Declaration，Doctype一样，它是NavigableString类型的一个子类，通过以下代码可以简单了解它的功能。

1 markup = ""#标签中内容为注释

2 soup =BeautifulSoup(markup)3 comment =soup.b.string4 type(comment)5 #

6 comment7 #u'Hey, buddy. Want to buy a used parser'

8 print(soup.b.prettify())9 #

10 #

11 #

注意：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，需要在使用或者进行一些操作 之前进行类型判断。

1 if type(soup.b.string)==bs4.element.Comment:2 ...

5. 树的遍历

5.1 子孙节点

.content

Tag对象的.content方法可以得到其子节点的一个列表表示。

1 printsoup.head.contents2 #[

The Dormouse's story]

当然，既然是列表可以用索引直接得到某一项。

1 printsoup.head.contents[0]2 #

The Dormouse's story

.children

Tag对象的.children方法得到一个其子节点的迭代器，可以遍历之获取其中的元素。

1 for child insoup.body.children:2 print child

.descendants

与.content和.children只得到直接子节点不同，.descendants能对所有子孙节点迭代循环，将标签层层剥离得到所有子节点，同样通过遍历的方法得到每个子孙节点。

1 for child insoup.descendants:2 print child

5.2 父亲节点

.parent

Tag对象的.parent方法能得到其直接父节点。

.parents

用.parents属性可以递归得到元素的所有父节点。

1 content =soup.head.title.string2 for parent incontent.parents:3 printparent.name4 #title

5 #head

6 #html

7 #[document]

5.3 兄弟节点

.next_sibling和.next_siblings

.next_sibling得到Tag对象平级的下一个节点，如果不存在则返回None。.next_siblings得到Tag对象平级的下面所有兄弟节点。

.previous_sibling和.previous_siblings

.previous_sibling得到Tag对象平级的上一个节点，如果不存在则返回None。.next_siblings得到Tag对象平级的上面所有兄弟节点。

注意:由于在HTML文档中的空白和换行也被视作是一个节点，所以可能得到的兄弟节点(或者子节点父节点)会是空白类型或者字符串类型而不是Tag，所以在进行下一步操作时一定要先用type函数进行类型的判断。

5.4 前后节点

.next_element和.next_elements

与 .next_sibling和.next_siblings 不同，它并不是针对于兄弟节点，而是在所有节点，不分层次得到下一个节点和所有的后续节点。.next_elements的结果通过遍历访问。

.previous_element和.previous_elements

这两个方法将不分层次得到上一个节点和所有之前的节点。.previous_elements的结果通过遍历访问。

5.4 节点内容

.string

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。

1 printsoup.head.string2 #The Dormouse's story

3 printsoup.title.string4 #The Dormouse's story

而如果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，输出结果是 None。

.strings和.stripped_strings

当一个Tag对象有多个子节点时，可以用.strings方法再通过遍历获得所有子节点的内容。

1 for string insoup.strings:2 print(repr(string))3 #u"The Dormouse's story"

4 #u'\n\n'

5 #u"The Dormouse's story"

6 #u'\n\n'

7 #u'Once upon a time there were three little sisters; and their names were\n'

8 #u'Elsie'

9 #u',\n'

10 #u'Lacie'

11 #u' and\n'

12 #u'Tillie'

13 #u';\nand they lived at the bottom of a well.'

14 #u'\n\n'

15 #u'...'

16 #u'\n'

用.stripped_strings方法可以得到过滤掉空格和空行的内容。

.get_text()

如果你仅仅想要得到文档或者标签的文本部分，可以使用.get_text()方法，它能以一个单一的一个Unicode串的形式返回文档中或者Tag对象下的所有文本。

1 markup = '\nI linked to example.com\n'

2 soup =BeautifulSoup(markup)3

4 soup.get_text()5 #u'\nI linked to example.com\n'

6 soup.i.get_text()7 #u'example.com'

你可以指定一个字符串来连接文本的位。

1 soup.get_text("|")2 #u'\nI linked to |example.com|\n'

进一步，通过strip去除掉文本每个位的头尾空白。

1 soup.get_text("|", strip=True)2 #u'I linked to|example.com'

用列表推导式以及.stripped_strings方法罗列出文本内容。

1 [text for text insoup.stripped_strings]2 #[u'I linked to', u'example.com']

6. 树的搜索

6.1 find_all(name, attrs, recursive, string, limit, **kwargs)

该方法将搜索当前Tag对象的所有子节点，并且按照过滤条件得到筛选后对象的列表。

name参数

1)传字符串

最简单的方法是传入标签名的字符串，可以得到所有以该字符串为标签名的一个列表。

1 print soup.find_all('a')2 #[, Lacie, Tillie]

2)传正则表达式

可以通过传正则表达式得到符合表达式规则的Tag对象。

1 importre2 for tag in soup.find_all(re.compile("^b")):3 print(tag.name)4 #body

5 #b

3)传列表

可以传入一个字符串的列表，将匹配列表中标签的Tag全部返回。

1 soup.find_all(["a", "b"])2 #[The Dormouse's story,

3 #Elsie,

4 #Lacie,

5 #Tillie]

4)传True

True参数将匹配文档中所有的节点，但是不包括文本字符串。

1 for tag insoup.find_all(True):2 print(tag.name)3 #html

4 #head

5 #title

6 #body

7 #p

8 #b

9 #p

10 #a

11 #a

12 #a

13 #p

5)传入函数

可以根据函数返回值的True/False来得到匹配的节点。

1 defhas_class_but_no_id(tag):2 return tag.has_attr('class') and not tag.has_attr('id')3

4 soup.find_all(has_class_but_no_id)5 #[

The Dormouse's story

,

6 #

Once upon a time there were...

,

7 #

...

]

关键字参数

可以传入一个或者多个关键字，BeautifulSoup会搜索当前Tag下的每一个节点的该关键字及其对应的值。

1 soup.find_all(href=re.compile("elsie"), id='link1')2 #[three]

特殊：如果希望用class及其值作为过滤条件，由于class是python的关键字，所以需要作如下处理。

1 soup.find_all("a", class_="sister")2 #[Elsie,

3 #Lacie,

4 #Tillie]

另外，有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性，可以这样来进行过滤。

1 data_soup = BeautifulSoup('

')2 data_soup.find_all(attrs={"data-foo": "value"})3 #[

]

text参数

可以在文档中搜索一些字符串内容，与name参数的可选值一样，可以传字符串，列表，正则表达式和True。

1 soup.find_all(text="Elsie")2 #[u'Elsie']

3

4 soup.find_all(text=["Tillie", "Elsie", "Lacie"])5 #[u'Elsie', u'Lacie', u'Tillie']

6

7 soup.find_all(text=re.compile("Dormouse"))8 [u"The Dormouse's story", u"The Dormouse's story"]

limit参数

可用该参数限制返回的节点数目，例子中本身有3个符合的节点，仅输出两个。

1 soup.find_all("a", limit=2)2 #[Elsie,

3 #Lacie]

recursive参数

将该参数设为False可限制只搜索当前Tag的直接子节点，可以节省很多搜索时间。

1 soup.html.find_all("title")2 #[

The Dormouse's story]

3 soup.html.find_all("title", recursive=False)4 #[]

6.2. 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

6.3. find_parents()和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

6.4. find_next_siblings()和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

6.5. find_previous_siblings()和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。

6.6. find_all_next()和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

6.7. 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

参考资料：

http://www.crummy.com/software/BeautifulSoup/bs4/doc/#

转载请注明：

http://www.cnblogs.com/wuwenyan/p/4773427.html