文章目录
- 0.初始化
- 1.创建 BeautifulSoup 对象
- 2.四种对象
- 3.遍历文档树
- 4.搜索文档树
- 1.find_all( name , attrs , recursive , text , **kwargs )
- 2.find( name , attrs , recursive , text , **kwargs )
- 3.find_parents() find_parent()
- 4.find_next_siblings() find_next_sibling()
- 5.find_previous_siblings() find_previous_sibling()
- 6.find_all_next() find_next()
- 7.find_all_previous() 和 find_previous()
- 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。
- 5. CSS选择器
0.初始化
官方字符串来演示：
html = "
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><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.创建 BeautifulSoup 对象
首先导入库 bs4 lxml requests
soup = BeautifulSoup(html,'lxml') #创建 beautifulsoup 对象
soup = BeautifulSoup(html,'html.parser') # 以html的方式解析，其中html为网页内容字符串
2.四种对象
1.Tag
Tag就是 HTML 中的一个个标签，例如：
<title>The Dormouse's story</title>
用 BeautifulSoup 可以很方便地获取 Tags：
print(soup.title)
print(soup.head)
print(soup.a)
print(soup.p)
print(type(soup.a))
//语法：soup对象.标签名
//这种方式查找的是在所有内容中的第一个符合要求的标签。
对于 Tag，它有两个重要的属性，name 和 attrs ：
#获取标签name
print soup.name
#获取a标签name
print soup.a.name
#获取所以的属性
print soup.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。
print soup.p.attrs
#单独获取某个属性
print soup.p['class']
#单独获取某个属性 跟上面一样的
print soup.p.get('class')
#可以对这些属性和内容等等进行修改
soup.p['class']="newClass"
#可以对这个属性进行删除：
del soup.p['class']
2.NavigableString
我们已经得到了标签,我们要想获取标签内部的文字用 .string 即可，例如：
print(bs.title.string) #获取的标签内部文字
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：
print(type(soup.name))
#<type 'unicode'>
print(soup.name)
# [document]
print(soup.attrs)
#{} 空字典
4.Comment
Comment 对象是一个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号。
print(soup.a)
print(soup.a.string)
print(type(soup.a.string))
# 输出
<a class="sister" id="link1"><!-- AAA --></a>
AAA
<class 'bs4.element.Comment'>
# 判断内容是否为注释可以使用：
soup.a.string==bs4.element.Comment
3.遍历文档树
1.直接子节点
tag 的contents属性可以将tag的子节点以列表的方式输出：
print(soup.head.contents)
# 运行结果：
[<title>The Dormouse's story</title>]
# 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：
print soup.head.contents[0]
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：
print soup.head.children
运行结果：
<listiterator object at 0x7f71457f5710>
# 遍历一下获得里面的内容：
for item in soup.body.children:
print item
2.所有子孙节点
descendants属性可以对所有tag的子孙节点进行递归循环，和 children类似，要获取其中的内容，我们需要对其进行遍历：
# contents和children属性仅包含tag的直接子节点
# descendants包含子孙节点
for item in soup.descendants:
print item
# 查看运行结果，可以发现，所有的节点都被打印出来了：
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>,
3.节点内容
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：
print(soup.head.string)
# 运行结果：
The Dormouse's story
# 第二种情况：
print(soup.title.string)
# 运行结果：
The Dormouse's story
# 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：
print soup.html.string
# 运行结果：
None
4.多个内容
.strings获取多个内容，不过需要遍历获取，比如下面的例子：
for string in soup.strings:
print(repr(string))
# 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：
for string in soup.stripped_strings:
print(repr(string))
5.父节点
p = soup.p
print p.parent.name
# 运行结果:
body
content = soup.head.title.string
print content.parent.name
# 运行结果：
title
6.全部父节点
通过元素的.parents属性可以递归得到元素的所有父辈节点：
content = soup.head.title.string
for parent in content.parents:
print parent.name
7.兄弟节点
兄弟节点可以理解为和本节点处在统一级的节点，也就是同一个父亲，父节点
.next_sibling 属性获取了该节点的下一个兄弟节点，
.previous_sibling 属性获取了该节点的上一个兄弟节点，
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。
print soup.p.next_sibling
# 实际该处为空白
print soup.p.prev_sibling
#None 没有前一个兄弟节点，返回 None
print soup.p.next_sibling.next_sibling
8.全部兄弟节点
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：
for sibling in soup.a.next_siblings:
print(repr(sibling))
9.前后节点
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：
<head><title>The Dormouse's story</title></head>
# 那么它的下一个节点便是 title，它是不分层次关系的。
print(soup.head.next_element)
#<title>The Dormouse's story</title>
10.所有前后节点
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：
for element in last_a_tag.next_elements:
print(repr(element))
4.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
A.传字符串
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
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<b>标签：
soup.find_all('b')
# [<b>The Dormouse's story</b>]
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<body>和<b>标签都应该被找到
import re
for tag in soup.find_all(re.compile("^b")):
print(tag.name)
# body
# b
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
soup.find_all(["a", "b"])
# [<b>The Dormouse's story</b>,
# <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>]
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：
for tag in soup.find_all(True):
print(tag.name)
# html
# head
# title
# body
# p
# b
# p
# a
# a
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,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:
def has_class_but_no_id(tag):
return tag.has_attr('class') and not tag.has_attr('id')
将这个方法作为参数传入find_all()方法,将得到所有<p>标签：
soup.find_all(has_class_but_no_id)
# [<p class="title"><b>The Dormouse's story</b></p>,
# <p class="story">Once upon a time there were...</p>,
# <p class="story">...</p>]
2.keyword 参数
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：
soup.find_all(id='link2')
# [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]
如果传入href参数,Beautiful Soup会搜索每个tag的”href”属性：
soup.find_all(href=re.compile("elsie"))
# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]
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("elsie"), id='link1')
# [<a class="sister" href="http://example.com/elsie" id="link1">three</a>]
在这里我们想用 class 过滤，不过 class 是 python 的关键词，加个下划线就可以：
soup.find_all("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>]
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：
data_soup.find_all(attrs={"data-foo": "value"})
# [<div data-foo="value">foo!</div>]
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：
soup.find_all(text="Elsie")
# [u'Elsie']
soup.find_all(text=["Tillie", "Elsie", "Lacie"])
# [u'Elsie', u'Lacie', u'Tillie']
soup.find_all(text=re.compile("Dormouse"))
[u"The Dormouse's story", u"The Dormouse's story"]
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：
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>]
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：
soup.html.find_all("title")
# [<title>The Dormouse's story</title>]
soup.html.find_all("title", recursive=False)
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。
5. 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
通过标签名查找
print soup.select('title')
#[<title>The Dormouse's story</title>]
print soup.select('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>]
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>]
3.通过 id 名查找
print soup.select('#link1')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
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：
print soup.select('p #link1')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
直接子标签查找：
print soup.select("head > title")
#[<title>The Dormouse's story</title>]
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：
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>]
print soup.select('a[href="http://example.com/elsie"]')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
属性也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：
print soup.select('p a[href="http://example.com/elsie"]')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
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：
soup = BeautifulSoup(html, 'lxml')
print type(soup.select('title'))
print soup.select('title')[0].get_text()
for title in soup.select('title'):
print title.get_text()
扫一扫
2194
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
