BeautifulSoup4解析器

BeautifulSoup4是一个HTML/XML的解析器，主要的功能是解析和提取HTML/XML的数据。和lxml库一样。

lxml只会局部遍历，而BeautifulSoup4是基于HTML DOM的，会加载整个文档，解析整个DOM树，因此内存开销比较大，性能比较低。

BeautifulSoup4用来解析HTML比较简单，API使用非常人性化，支持CSS选择器，是Python标准库中的HTML解析器，也支持lxml解析器。

BeautifulSoup4的安装

pip install beautifulsoup4

BeautifulSoup4的使用

以下面一段html文档为例子，如：

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>
"""

1. 使用BeautifulSoup类解析这段代码，获取一个BeautifulSoup的对象，然后按照标准格式输出。

from bs4 import BeautifulSoupsoup = BeautifulSoup(html_doc, 'html.parser')print(soup.prettify())

输出结果：

2. 几个简单的浏览结构化数据的方法

# 获取title标签
print(soup.title)
# <title>The Dormouse's story</title># 获取title标签名称
print(soup.title.name)
# title# 获取title标签的内容
print(soup.title.string)
# The Dormouse's story# 获取title的父标签
print(soup.title.parent)
# <head><title>The Dormouse's story</title></head># 获取title的父标签名称
print(soup.title.parent.name)
# head# 获取p标签
print(soup.p)
# <p class="title"><b>The Dormouse's story</b></p># 获取p标签class属性
print(soup.p['class'])
#  ['title']    #返回的是list# 获取所有的a标签
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>]# 获取id='link3'的标签
print(soup.find(id="link3"))
# <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a># 获取所有的a标签的链接
for link in soup.find_all('a'):print(link.get('href'))#   http://example.com/elsie
#   http://example.com/lacie
#   http://example.com/tillie# 获取文档中所有文字内容
print(soup.get_text())# The Dormouse's story
#
# The Dormouse's story
# Once upon a time there were three little sisters; and their names were
#    Elsie,
#    Lacie and
#    Tillie;
#    and they lived at the bottom of a well.
# ...

3. BeautifulSoup的解析器

3.1 Python标准库

使用方法: BeautifulSoup(html_doc,"html.parser")优势：Python内置，执行速度适中，文档容错能力强劣势：Python 2.7.3 or 3.2.2)前 的版本中文档容错能力差

3.2 lxml解析器(推荐使用)

使用方法：BeautifulSoup(html_doc,'lxml')优势：速度快，文档容错能力强（C编写），推荐使用

3.3 html5lib

使用方法：BeautifulSoup(html_doc,"html5lib")优势：最好的容错性，已浏览器的方式解析文档，生成Html5格式的文档劣势：速度慢，不依赖外部扩展

4. 解析一个html文件

from bs4 import BeautifulSoup# 通过open返回一个文件对象，采用lxml解析，获取BeautifulSoup对象
soup = BeauifulSoup(open('index.html'),"lxml")

5. 对象的种类

BeautifulSoup将复杂HTML文档转换成一个复杂的属性结构，每个节点都是对象，所有对象分为4种类型：Tag，NavigabString，BeautifulSoup，Comment。

5.1 Tag：对象与XML或HTML原生文档中的tag相同

print(soup.title)
# <title>The Dormouse's story</title>print(type(soup.title))
# <class 'bs4.element.Tag'>

Tag有2个重要的属性：name , attrs

name：tag的标签名称

print(soup.title.name)
# title

attrs：tag的属性

print(soup.p.attrs)
# {'class': ['title']}

5.2 NatigabString：标签的文本内容

print(soup.p.string)
# The Dormouse's storyprint(type(soup.p.string))
# <class 'bs4.element.NavigableString'>

5.3 BeautifulSoup：表示一个文档内容，大部分时候，我们可以把它当做一个特殊的`Tag`。

print(soup.name)
# [document]print(type(soup))
# <class 'bs4.BeautifulSoup'>

5.4 Comment：是一个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号。

makeup='<p><!--Hello--></p>'
soup = BeatuifulSoup(makeup,'lxml')print(soup.p.string)
# Helloprint(type(soup.p.string))
# <class 'bs4.element.Comment'>

6. 遍历文档树

6.1 子节点：`.contents`，`.children`属性

tag的.contents属性可以将tag的子节点以列表的方式输出：

print(soup.p.contents)
# [<b>The Dormouse's story</b>]     # 因为只有一个节点print(soup.p.contents[0])
# [<b>The Dormouse's story</b>] 我们也可以获取列表的第一个标签。如果没有，会报错

tag的.children返回一个生成器，可以对tag的子节点进行循环。

print(type(soup.p.children))
# <class 'list_iterator'>for child in soup.p.children:print(child)    # <b>The Dormouse's story</b>

6.2 所有子孙节点`.descendants`属性

.descendants属性可以对所有的tag子孙节点进行递归循环，和.childern类似。

for tag in soup.body.descendants:print(tag)# 输出结果：
# <b>The Dormouse's story</b>
# The Dormouse's story

7. 搜索文档树

7.1 find_all(name, attrs , recursive, text,limit, **kwargs)

find_all()参数：

name：查找名字为name的tag。（可以传入string，正则，列表）attrs：tag的属性recursive：是否递归，默认Truetext：tag标签文本limit：限制条数

7.1.1 name传入string

print(soup.find_all('p', attrs = {'class': 'title'}))
# [<p class="title"><b>The Dormouse's story</b></p>]print(soup.find_all('p', text='...'))
# [<p class="story">...</p>]print(soup.find_all('a', limit=2))
# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

7.1.2 name传入re正则表达式

for tag in soup.find_all(re.compile('^b')):print(tag.name)# body
# b

7.1.3 name传入列表

for tag in soup.find_all(['body','b']):print(tag.name)# body
# b

7.2 按CSS选择器搜索

7.2.1 通过标签名查找

print(soup.select('title'))
[<title>The Dormouse's story</title>]

7.2.2 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>]

7.2.3 通过id名查找

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

7.2.4 组合查找

print(soup.select('#link1,title'))
# [<title>The Dormouse's story</title>, <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]

7.2.5 属性查找

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>]

7.2.6 获取内容

for tag in soup.select('a'):print(tag.get_text())# Elsie
# Lacie
# Tillie

具体参考BeautifulSoup4官方文档

http://beautifulsoup.readthedocs.io/zh_CN/v4.4.0