1.BeautifulSoup4简介
BeautifulSoup4和 lxml 一样,Beautiful Soup 也是一个HTML/XML的解析器,主要的功能也是如何解 析和提取 HTML/XML 数据。
BeautifulSoup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,推荐使用lxml 解析器。
BeautifulSoup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,BeautifulSoup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。
2.BeautifulSoup4简单使用
假设有这样一个Html,具体内容如下:
<!DOCTYPE html>
<html>
<head>
<meta content="text/html;charset=utf-8" http-equiv="content-type" />
<meta content="IE=Edge" http-equiv="X-UA-Compatible" />
<meta content="always" name="referrer" />
<link href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css" rel="stylesheet" type="text/css" />
<title>百度一下,你就知道 </title>
</head>
<body link="#0000cc">
<div id="wrapper">
<div id="head">
<div class="head_wrapper">
<div id="u1">
<a class="mnav" href="http://news.baidu.com" name="tj_trnews"><!--新闻--></a>
<a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻</a>
<a class="mnav" href="https://www.hao123.com" name="tj_trhao123">hao123</a>
<a class="mnav" href="http://map.baidu.com" name="tj_trmap">地图</a>
<a class="mnav" href="http://v.baidu.com" name="tj_trvideo">视频</a>
<a class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">贴吧</a>
<a class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;">更多产品 </a>
</div>
</div>
</div>
</div>
</body>
</html>
创建beautifulsoup4对象:
from bs4 import BeautifulSoup
file = open("./baidu.html","rb") #打开文件
html = file.read().decode("utf-8") #读到内存里作为HTML文档
#解析文件
bs = BeautifulSoup(html,"html.parser") #树形结构
print(bs.title) #输出title <title>百度一下,你就知道 </title>
print(bs.a) #输出第一个a标签
print(bs.head) #输出第一个head标签
print(type(bs.head)) #<class 'bs4.element.Tag'>
3.BeautifulSoup4四大对象种类
BeautifulSoup4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
3.1 Tag
Tag通俗点讲就是HTML中的一个个标签,例如:
from bs4 import BeautifulSoup
file = open("./baidu.html","rb") #打开文件
html = file.read().decode("utf-8") #读到内存里作为HTML文档
#解析文件
bs = BeautifulSoup(html,"html.parser") #树形结构
print(bs.title) #输出title <title>百度一下,你就知道 </title>
print(bs.a) #输出第一个a标签
print(bs.head) #输出第一个head标签
print(type(bs.head)) #<class 'bs4.element.Tag'>
我们可以利用 soup 加标签名轻松地获取这些标签的内容,这些对象的类型是bs4.element.Tag。但是 注意,它查找的是在所有内容中的第一个符合要求的标签。
3.2 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
print(bs.title.string) #百度一下,你就知道
print(type(bs.title.string)) #<class 'bs4.element.NavigableString'>
3.3 BeautifulSoup
BeautifulSoup对象表示的是一个文档的内容。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,例如:
print(bs.a.attrs) #用字典的形式输出a标签的属性值
print(type(bs)) #<class 'bs4.BeautifulSoup'>
3.4 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(bs.name) #[document]
print(bs.a.string)
print(type(bs.a.string)) #<class 'bs4.element.Comment'>
4.文档的变量
print(bs.head.contents) #拿到head里面的内容
print(bs.head.contents[1]) #拿到第1个元素
5.文档的搜索
5.1 find_all()找到所有
#字符串过滤:会查找与字符串完全匹配的内容,必须完全一样 a
t_list = bs.find_all("a")
print(t_list)
正则表达式搜索:使用search()方法来进行匹配
import re
#正则表达式搜搜索:使用search()方法来进行匹配
t_list = bs.find_all(re.compile("a")) #匹配带字符a的
print(t_list)
方法:传入一个函数(方法),根据函数的要求来搜索:标签中有name的 (了解)
#方法:传入一个函数(方法),根据函数的要求来搜索:标签中有name的 (了解)
def name_is_exists(Tag):
return Tag.has_attr("name")
t_list = bs.find_all(name_is_exists)
for item in t_list:
print(item)
5.2 kwarys 参数
id="head"
t_list = bs.find_all(id="head") #id
for item in t_list:
print(item)
带class
t_list = bs.find_all(class_=True) #有class...
for item in t_list:
print(item)
链接
t_list = bs.find_all(href="http://news.baidu.com")
for item in t_list:
print(item)
5.3 text参数
通过text参数可以搜索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
t_list = bs.find_all(text="hao123")
for item in t_list:
print(item)
t_list = bs.find_all(text=["hao123","地图","贴吧"])
for item in t_list:
print(item)
t_list = bs.find_all(text=re.compile("\d")) #应用正则表达式来查找包含特定文本的内容(标签里的字符串)
for item in t_list:
print(item)
5.4 limit 参数
可以传入一个limit参数来限制返回的数量,当搜索出的数据量为5,而设置了limit=2时,此时只会返回前2个数据。
t_list = bs.find_all("a",limit=3)
for item in t_list:
print(item)
5.5 CSS选择器
通过标签来查找
t_list = bs.select("title") #通过标签来查找
for item in t_list:
print(item)
通过类名来查找
t_list = bs.select(".mnav") #通过类名来查找
for item in t_list:
print(item)
通过id来查找
t_list = bs.select("#u1") #通过id来查找
for item in t_list:
print(item)
通过标签里面的属性来查找
t_list = bs.select("a[class='bri']") #通过标签里面的属性来查找
for item in t_list:
print(item)
通过字标签来查找
t_list = bs.select("head > title") #通过字标签来查找
for item in t_list:
print(item)
兄弟结点
t_list = bs.select(".mnav~.bri") #兄弟结点
print(t_list[0].get_text())