参考:http://cuiqingcai.com/1319.html
1. Beautiful Soup 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。
2. Beautiful Soup 安装
Beautiful Soup 3 目前已经停止开发,推荐在现在的项目中使用Beautiful Soup 4,不过它已经被移植到BS4了,也就是说导入时我们需要 import bs4 。所以这里我们用的版本是 Beautiful Soup 4.3.2 (简称BS4),另外据说 BS4 对 Python3 的支持不够好,不过我用的是 Python2.7.7,如果有小伙伴用的是 Python3 版本,可以考虑下载 BS3 版本。
可以利用 pip 或者 easy_install 来安装,以下两种方法均可
- easy_install beautifulsoup4
- pip install beautifulsoup4
- sudo python setup.py install
- easy_install lxml
- pip install lxml
- easy_install html5lib
- pip install html5lib
解析器 | 使用方法 | 优势 | 劣势 |
Python标准库 | BeautifulSoup(markup, “html.parser”) | Python的内置标准库 执行速度适中 文档容错能力强 | Python 2.7.3 or 3.2.2)前 的版本中文档容错能力差 |
lxml HTML 解析器 | BeautifulSoup(markup, “lxml”) | 速度快 文档容错能力强 | 需要安装C语言库 |
lxml XML 解析器 | BeautifulSoup(markup, [“lxml”, “xml”]) BeautifulSoup(markup, “xml”) | 速度快 唯一支持XML的解析器 | 需要安装C语言库 |
html5lib | BeautifulSoup(markup, “html5lib”) | 最好的容错性 以浏览器的方式解析文档 生成HTML5格式的文档 | 速度慢 不依 |
3. 创建 Beautiful Soup 对象
首先必须要导入 bs4 库
- from bs4 import BeautifulSoup
我们创建一个字符串,后面的例子我们便会用它来演示
- 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>
- """
- soup = BeautifulSoup(html)
- soup = BeautifulSoup(open('index.html'))
- print soup.prettify()
指定编码:当html为其他类型编码(非utf-8和asc ii),比如GB2312的话,则需要指定相应的字符编码,BeautifulSoup才能正确解析。
- htmlCharset = "GB2312"
- soup = BeautifulSoup(respHtml, fromEncoding=htmlCharset)
- #!/usr/bin/python
- # -*- coding: UTF-8 -*-
- from bs4 import BeautifulSoup
- import re
- #待分析字符串
- html_doc = """
- <html>
- <head>
- <title>The Dormouse's story</title>
- </head>
- <body>
- <p class="title aq">
- <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>
- """
- # html字符串创建BeautifulSoup对象
- soup = BeautifulSoup(html_doc, 'html.parser', from_encoding='utf-8')
- #输出第一个 title 标签
- print soup.title
- #输出第一个 title 标签的标签名称
- print soup.title.name
- #输出第一个 title 标签的包含内容
- print soup.title.string
- #输出第一个 title 标签的父标签的标签名称
- print soup.title.parent.name
- #输出第一个 p 标签
- print soup.p
- #输出第一个 p 标签的 class 属性内容
- print soup.p['class']
- #输出第一个 a 标签的 href 属性内容
- print soup.a['href']
- '''''
- soup的属性可以被添加,删除或修改. 再说一次, soup的属性操作方法与字典一样
- '''
- #修改第一个 a 标签的href属性为 http://www.baidu.com/
- soup.a['href'] = 'http://www.baidu.com/'
- #给第一个 a 标签添加 name 属性
- soup.a['name'] = u'百度'
- #删除第一个 a 标签的 class 属性为
- del soup.a['class']
- ##输出第一个 p 标签的所有子节点
- print soup.p.contents
- #输出第一个 a 标签
- print soup.a
- #输出所有的 a 标签,以列表形式显示
- print soup.find_all('a')
- #输出第一个 id 属性等于 link3 的 a 标签
- print soup.find(id="link3")
- #获取所有文字内容
- print(soup.get_text())
- #输出第一个 a 标签的所有属性信息
- print soup.a.attrs
- for link in soup.find_all('a'):
- #获取 link 的 href 属性内容
- print(link.get('href'))
- #对soup.p的子节点进行循环输出
- for child in soup.p.children:
- print(child)
- #正则匹配,名字中带有b的标签
- for tag in soup.find_all(re.compile("b")):
- print(tag.name)
Soup = BeautifulSoup(html)#其中html 可以是字符串,也可以是句柄
需要注意的是,BeautifulSoup会自动检测传入文件的编码格式,然后转化为Unicode格式
通过如上两句话,BS自动把文档生成为如上图中的解析树。
4. 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:
- 1. Tag
- 2. NavigableString
- 3. BeautifulSoup
- 4. Comment
(1)Tag
Tag 是什么?通俗点讲就是 HTML 中的一个个标签,例如
- <title>The Dormouse's story</title>
- <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
下面每一段代码中注释部分即为运行结果
- print soup.title
- #<title>The Dormouse's story</title>
- print soup.head
- #<head><title>The Dormouse's story</title></head>
- print soup.a
- #<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
- print soup.p
- #<p class="title" name="dromouse"><b>The Dormouse's story</b></p>
我们可以验证一下这些对象的类型
- print type(soup.a)
- #<class 'bs4.element.Tag'>
name
- print soup.name
- print soup.head.name
- #[document]
- #head
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
- print soup.p.attrs
- #{'class': ['title'], 'name': 'dromouse'}
- print soup.p['class']
- #['title']
- print soup.p.get('class')
- #['title']
- soup.p['class']="newClass"
- print soup.p
- #<p class="newClass" name="dromouse"><b>The Dormouse's story</b></p>
- del soup.p['class']
- print soup.p
- #<p name="dromouse"><b>The Dormouse's story</b></p>
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
- head = soup.find('head')
- #head = soup.head
- #head = soup.contents[0].contents[0]
- print head
- html = soup.contents[0] # <html> ... </html>
- head = html.contents[0] # <head> ... </head>
- body = html.contents[1] # <body> ... </body>
或者Tag.name这样访问特定属性值,如果是多值属性则以列表形式返回。
(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 soup.p.string
- #The Dormouse's story
- print type(soup.p.string)
- #<class 'bs4.element.NavigableString'>
(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
- 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
- print soup.a
- print soup.a.string
- print type(soup.a.string)
- <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
- Elsie
- <class 'bs4.element.Comment'>
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
- if type(soup.a.string)==bs4.element.Comment:
- print soup.a.string
5. 遍历文档树
(1)直接子节点
Tag.Tag_child1:直接通过下标名称访问子节点。
Tag.contents:以列表形式返回所有子节点。
Tag.children:生成器,可用于循环访问:for child in Tag.children
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。可以使用 [num] 的形式获得。使用contents向后遍历树,使用parent向前遍历树
- print soup.head.contents
- #[<title>The Dormouse's story</title>]
- print soup.head.contents[0]
- #<title>The Dormouse's story</title>
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。
可以使用list可以将其转化为列表。当然可以使用for 语句遍历里面的孩子。
- print soup.head.children
- #<listiterator object at 0x7f71457f5710>
- for child in soup.body.children:
- print child
- <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>,
- <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
- <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
- and they lived at the bottom of a well.</p>
- <p class="story">...</p>
(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。
Tag.descendants:生成器,可用于循环访问:for des inTag.descendants
- for child in soup.descendants:
- print child
- <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>,
- <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
- <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
- and they lived at the bottom of a well.</p>
- <p class="story">...</p>
- </body></html>
- <head><title>The Dormouse's story</title></head>
- <title>The Dormouse's story</title>
- The Dormouse's story
- <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>,
- <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
- <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
- and they lived at the bottom of a well.</p>
- <p class="story">...</p>
- </body>
- <p class="title" name="dromouse"><b>The Dormouse's story</b></p>
- <b>The Dormouse's story</b>
- The Dormouse's story
- <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>,
- <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
- <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
- and they lived at the bottom of a well.</p>
- 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>
- Elsie
- ,
- <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>
- Lacie
- and
- <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
- Tillie
- ;
- and they lived at the bottom of a well.
- <p class="story">...</p>
- ...
(3)节点内容
知识点:.string 属性
Tag.String:Tag只有一个String子节点是,可以这么访问,否则返回None
Tag.Strings:生成器,可用于循环访问:for str in Tag.Strings
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。如果超过一个标签的话,那么就会返回None。例如
- print soup.head.string
- #The Dormouse's story
- print soup.title.string
- #The Dormouse's story
- print soup.html.string
- # 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
- for string in soup.strings:
- print(repr(string))
- # u"The Dormouse's story"
- # u'\n\n'
- # u"The Dormouse's story"
- # u'\n\n'
- # u'Once upon a time there were three little sisters; and their names were\n'
- # u'Elsie'
- # u',\n'
- # u'Lacie'
- # u' and\n'
- # u'Tillie'
- # u';\nand they lived at the bottom of a well.'
- # u'\n\n'
- # u'...'
- # u'\n'
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))
- # u"The Dormouse's story"
- # u"The Dormouse's story"
- # u'Once upon a time there were three little sisters; and their names were'
- # u'Elsie'
- # u','
- # u'Lacie'
- # u'and'
- # u'Tillie'
- # u';\nand they lived at the bottom of a well.'
- # u'...'
(5)父节点
知识点: .parent 属性 使用parent获取父节点。
Tag.parent:父节点
Tag.parents:父到根的所有节点
- body = soup.body
- html = body.parent # html是body的父亲
- p = soup.p
- print p.parent.name
- #body
- content = soup.head.title.string
- print content.parent.name
- #title
(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
- content = soup.head.title.string
- for parent in content.parents:
- print parent.name
- title
- head
- html
- [document]
(7)兄弟节点
知识点:.next_sibling .previous_sibling 属性
使用nextSibling, previousSibling获取前后兄弟
Tag.next_sibling
Tag.next_siblings
Tag.previous_sibling
Tag.previous_siblings
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
- 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
- #<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>,
- #<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
- #<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
- #and they lived at the bottom of a well.</p>
- #下一个节点的下一个兄弟节点是我们可以看到的节点
.next方法:只能针对单一元素进行.next,或者说是对contents列表元素的挨个清点。
- 比如
- soup.contents[1]=u'HTML'
- soup.contents[2]=u'\n'
- 则soup.contents[1].next等价于soup.contents[2]
- head = body.previousSibling # head和body在同一层,是body的前一个兄弟
- p1 = body.contents[0] # p1, p2都是body的儿子,我们用contents[0]取得p1
- p2 = p1.nextSibling # p2与p1在同一层,是p1的后一个兄弟, 当然body.content[1]也可得到
(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
- for sibling in soup.a.next_siblings:
- print(repr(sibling))
- # u',\n'
- # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>
- # u' and\n'
- # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
- # u'; and they lived at the bottom of a well.'
- # None
(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
- <head><title>The Dormouse's story</title></head>
- print soup.head.next_element
- #<title>The Dormouse's story</title>
(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
- for element in last_a_tag.next_elements:
- print(repr(element))
- # u'Tillie'
- # u';\nand they lived at the bottom of a well.'
- # u'\n\n'
- # <p class="story">...</p>
- # u'...'
- # u'\n'
- # None
6.搜索文档树
最常用的是find_all()函数
(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
- #第一个参数为Tag的名称
- tag.find_all(‘title’)
- #得到”<title>&%^&*</title>”,结果为一个列表
- 第二个参数为匹配的属性
- tag.find_all(“title”,class=”sister”)
- #得到如”<title class = “sister”>%^*&</title>
- # 第二个参数也可以为字符串,得到字符串匹配的结果
- tag.find_all(“title”,”sister”)
- #得到如”<title class = “sister”>%^*&</title>
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<b>标签
- soup.find_all('b')
- # [<b>The Dormouse's story</b>]
- 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>]
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
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<a>标签和<b>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>]
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
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:
- def has_class_but_no_id(tag):
- return tag.has_attr('class') and not tag.has_attr('id')
- 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
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
- soup.find_all(id='link2')
- # [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]
- soup.find_all(href=re.compile("elsie"))
- # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]
- soup.find_all(href=re.compile("elsie"), id='link1')
- # [<a class="sister" href="http://example.com/elsie" id="link1">three</a>]
- 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>]
- data_soup = BeautifulSoup('<div data-foo="value">foo!</div>')
- data_soup.find_all(data-foo="value")
- # SyntaxError: keyword can't be an expression
- data_soup.find_all(attrs={"data-foo": "value"})
- # [<div data-foo="value">foo!</div>]
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"]
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>]
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:
- <html>
- <head>
- <title>
- The Dormouse's story
- </title>
- </head>
- ...
- soup.html.find_all("title")
- # [<title>The Dormouse's story</title>]
- soup.html.find_all("title", recursive=False)
- # []
(2)find(name=None, attrs={}, recursive=True, text=None, **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。
.find('p'),.findAll('p'):find返回的是字符串值,而且是返回从头查找到的第一个tag对。但是如果这第一个tag对包括大量的内容,父等级很高,则同时其内部所包含的,此级标签也全部都find。findAll返回值是个列表,如果发现了一个同名标签内含多个同名标签,则内部的标签一并归于该父标签显示,列表其他元素也不再体现那些内含的同名子标签。即findAll会返回所有符合要求的结果,并以list返回。
- soup.findAll(οnclick='document.location...')
- soup.findAll(attrs={'style':r'outline:none;'}) #用来查找属性中有style='outline:none;的标签体。 # 搜索所有tag
- tag搜索
- find(tagname) # 直接搜索名为tagname的tag 如:find('head')
- find(list) # 搜索在list中的tag,如: find(['head', 'body'])
- find(dict) # 搜索在dict中的tag,如:find({'head':True, 'body':True})
- find(re.compile('')) # 搜索符合正则的tag, 如:find(re.compile('^p')) 搜索以p开头的tag
- find(lambda) # 搜索函数返回结果为true的tag, 如:find(lambda name: if len(name) == 1) 搜索长度为1的tag
- find(True) # 搜索所有tag
- attrs搜索
- find(id='xxx') # 寻找id属性为xxx的
- find(attrs={id=re.compile('xxx'), algin='xxx'}) # 寻找id属性符合正则且algin属性为xxx的
- find(attrs={id=True, algin=None}) # 寻找有id属性但是没有algin属性的
- resp1 = soup.findAll('a', attrs = {'href': match1})
- resp2 = soup.findAll('h1', attrs = {'class': match2})
- resp3 = soup.findAll('img', attrs = {'id': match3})
- text搜索
- 文字的搜索会导致其他搜索给的值如:tag, attrs都失效。方法与搜索tag一致
- print p1.text
- # u'This is paragraphone.'
- print p2.text
- # u'This is paragraphtwo.'
- # 注意:1,每个tag的text包括了它以及它子孙的text。2,所有text已经被自动转为unicode,如果需要,可以自行转码encode(xxx)
- recursive和limit属性
- recursive=False表示只搜索直接儿子,否则搜索整个子树,默认为True。
- 当使用findAll或者类似返回list的方法时,limit属性用于限制返回的数量,
- 如:findAll('p', limit=2): 返回首先找到的两个tag
(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。7. CSS选择器
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
- 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>]
- print soup.select('b')
- #[<b>The Dormouse's story</b>]
(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>]
- 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>]
- print soup.select('p a[href="http://example.com/elsie"]')
- #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
- 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()
- print soup.find_all("a", class_="sister")
- print soup.select("p.title")
- # 通过属性进行查找
- print soup.find_all("a", attrs={"class": "sister"})
- # 通过文本进行查找
- print soup.find_all(text="Elsie")
- print soup.find_all(text=["Tillie", "Elsie", "Lacie"])
- # 限制结果个数
- print soup.find_all("a", limit=2)