官方文档：https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/
一、解析器
| 解析器 | 使用方法 | 优势 | 劣势 |
| Python标准库 | BeautifulSoup(markup, "html.parser") |
|
|
| lxml HTML 解析器 | BeautifulSoup(markup, "lxml") |
|
|
| lxml XML 解析器 | BeautifulSoup(markup, ["lxml-xml"]) BeautifulSoup(markup, "xml") |
|
|
| html5lib | BeautifulSoup(markup, "html5lib") |
|
|
推荐使用lxml作为解析器，因为效率更高。在Python2.7.3之前的版本和Python3中3.2.2之前的版本中因为标准库中内置的HTML解析方法不够稳定，因此必须安装lxml或html5lib。
提示：如果一段HTML或XML文档格式不正确的话，那么在不同的解析器中返回的结果可能是不一样的。
拿“爱丽丝梦游仙境”的文档来做例子：
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>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc, 'lxml')二、对象的种类
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：Tag、NavigableString、BeautifulSoup、Comment
1. Tag
Tag就是HTML中一个个标签，如：
<title>The Dormouse's story</title>“title”加上里面的内容就是Tag
soup = BeautifulSoup('<b class="boldest">Extremely bold</b>', 'lxml')
tag = soup.b
type(tag)
# <class 'bs4.element.Tag'>
Tag有两个重要的属性：name和attrs
Name
tag.name
# u'b'Attributes
tag['class']
#或
tag.get('class')
# u'boldest'
tag.attrs
# {u'class': u'boldest'}2. NavigableString
该属性指的是标签里的内容
tag.string
#Extremely bold
type(tag.string)
#<class 'bs4.element.NavigableString'>3. BeautifulSoup
该对象表示的是文档的全部内容，大部分时候，可以把它当作Tag对象，是一个特殊的Tag
type(soup.name)
#<type 'unicode'>
soup.name
#[document]
soup.attrs
#{}空字典4. Comment
是特殊类型的NavigableString对象，是文档的注释部分，但输出的内容不包括注释符号，若不进行处理，可能会带来麻烦
soup = BeautifulSoup('<a><!-- Elsie --></a>', 'lxml')
soup.a
#Elsie
type(soup.a.string)
#<class 'bs4.element.Comment'>在使用前可做一下判断：
if type(soup.a.string) == bs4.element.Commnet:
print soup.a.string三、遍历文档树
子节点
tag的名字
soup.title
# <title>The Dormouse's story</title>
#依次获取
soup.body.b
# <b>The Dormouse's story</b>通过点取属性的方式只能获得当前名字的第一个tag：
soup.a
# <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
#find_all()可以获取所有tag
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>].contents
属性可以将tag的子节点以列表的方式输出:
head_tag = soup.head
head_tag
# <head><title>The Dormouse's story</title></head>
head_tag.contents
#[<title>The Dormouse's story</title>].children
通过tag的 .children 生成器，可以对tag的子节点进行循环:
for child in title_tag.children:
print(child)
# The Dormouse's story.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
for child in head_tag.descendants:
print(child)
# <title>The Dormouse's story</title>
# The Dormouse's story.string
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
title_tag.string
# u'The Dormouse's story'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
head_tag.contents
# [<title>The Dormouse's story</title>]
head_tag.string
# u'The Dormouse's story'.strings
获取多个内容，不过需要遍历获取
.stripped_strings
去除多余空白内容
父节点
.parent
文档title的字符串也有父节点:<title>标签
title_tag.string.parent
# <title>The Dormouse's story</title>文档的顶层节点比如<html>的父节点是 BeautifulSoup 对象
BeautifulSoup 对象的 .parent 是None
.parents
递归得到元素的所有父辈节点
兄弟节点
.next_sibling 和 .previous_sibling
注意：实际文档中的tag的.next_sibling和.previouw_sibling属性通常是字符串或空白，因为空白和换行也可以被视作一个节点
.next_siblings 和 .previous_siblings
所有兄弟节点
前后节点
.next_element 和 .previous_element
针对所有节点，不分层次
如head节点:
<head><title>hello world</title></head>它的下一个节点是title
soup.head.next_element
#<title>hello world</title>这是“爱丽丝”文档中最后一个<a>标签，<a>标签的 .next_element 属性结果是在<a>标签被解析之后的解析内容，不是<a>标签后的句子部分，所以应该是字符串”Tillie”:
last_a_tag = soup.find("a", id="link3")
last_a_tag
# <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
last_a_tag.next_element
# u'Tillie'.next_elements 和 .previous_elements
文档前后的所有内容
四、搜索文档树
1. find_all(name, attrs, recursive, string, **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. 字符串
soup.find_all('b')
# [<b>The Dormouse's story</b>]b. 正则表达式
import re
for tag in soup.find_all(re.compile("^b")):
print(tag.name)
# body
# bc. 列表
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. True
for tag in soup.find_all(True):
print(tag.name)
# html
# head
# title
# body
# p
# b
# p
# a
# a
# a
# pe. 方法
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
搜索指定名字的属性时可以使用的参数值包括 字符串 , 正则表达式 , 列表, True
soup.find_all(id='link2')
#或
soup.find_all(attr={'id':'link2'})
# [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]
soup.find_all(id=True)
# [<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 href 参数，Beautiful Soup会搜索每个tag的”href”属性
soup.find_all(href=re.compile("elsie"), id='link1')
# [<a class="sister" href="http://example.com/elsie" id="link1">three</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>]由于class是python的关键字，使用 class 做参数会导致语法错误，可以通过 class_ 参数搜索有指定CSS类名的tag
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>]3）string参数
soup.find_all(string="Elsie")
# [u'Elsie']
soup.find_all(string=["Tillie", "Elsie", "Lacie"])
# [u'Elsie', u'Lacie', u'Tillie']4）limit参数
限制返回数量
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
使用 recursive=False 参数之后只能查找直接子节点
如下文档：
<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)
# []1.1 像调用 find_all() 一样调用tag
soup.find_all("a")
同：
soup("a")
soup.title.find_all(string=True)
同：
soup.title(string=True)2. find(name, attrs, recursive, text, **kwargs)
find_all() 方法的返回结果是值包含一个元素的列表
find() 方法直接返回符合条件的第一个结果
find_all() 方法没有找到目标是返回空列表，find() 方法找不到目标时，返回 None
3. find_parents() 和 find_parent()
4. find_next_siblings() 合和find_next_sibling()
5. find_previous_siblings() 和 find_previous_sibling()
6. find_all_next() 和 find_next()
7. find_all_previous() 和 find_previous()
注：2、3、4、5、6、7方法的参数用法与find_all()完全相同
五、CSS选择器
一种与find_all()异曲同工的方法，在写CSS时，标签名不加任何修饰，类名前加“.”，id名前加“#”，可以根据类似的方法用soup.select()来筛选元素
1. 通过标签名查找
soup.select("title")
# [<title>The Dormouse's story</title>]
#逐层查找
soup.select("html head title")
# [<title>The Dormouse's story</title>]
soup.select("head > title")
# [<title>The Dormouse's story</title>]2. 通过类名查找
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>]
soup.select_one(".sister")
# <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>3. 通过id查找
soup.select("#link1")
# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]4. 组合查找
soup.select('p #link1')
#[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]5. 通过属性查找
soup.select('a[href]')
# [<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>]6. 通过属性的值查找
soup.select('a[href="http://example.com/elsie"]')
# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]7. 找到兄弟节点标签
8. 同时用多种CSS选择器查询元素
9. 通过语言设置来查找
六、输出
Beautiful Soup输出是会将HTML中的特殊字符转换成Unicode，比如“&lquot;”
soup = BeautifulSoup("“Dammit!” he said.")
unicode(soup)
# u'<html><head></head><body>\u201cDammit!\u201d he said.</body></html>'格式化输出
prettify() 方法将Beautiful Soup的文档树格式化后以Unicode编码输出，每个XML/HTML标签都独占一行
BeautifulSoup 对象和它的tag节点都可以调用 prettify() 方法
get_text()
这个方法获取到tag中包含的所有文本内容，包括子孙tag中的内容，并将结果作为Unicode字符串返回：
markup = '<a href="http://example.com/">\nI linked to <i>example.com</i>\n</a>'
soup = BeautifulSoup(markup)
soup.get_text()
#u'\nI linked to example.com\n'
# soup.get_text("|", strip=True)
u'I linked to|example.com'
soup.i.get_text()
#u'example.com'
679
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
