[Python]BeautifulSoup—HTML解析包

在用Python写爬虫时，一个常见的操作是对抓下的HTML做分析处理，得到想要的内容。一般的方法为使用Python的re库中，用正则表达式来解析文本。不过这种方法适用于所有的文本，而针对于特定格式的文本，如这里的HTML，BeautifulSoup更具有针对性，使用起来也更方便。

BeautifulSoup可以解析HTML，XML等文件，这里只说明其解析HTML的功能。

 

BeautifulSoup（以下简称BS）的官方站点为：http://www.crummy.com/software/BeautifulSoup/

 

BS把HTML看做一个树形，以标签和文本为基本类型，一个标签包含其他标签，被解析为一个标签是另一个标签的子树。那么，最终整个HTML文档被解析为一棵树的形式。

BS包括四种基本类型：

Soup（树），Tag（标签节点），String（字符节点），Comment（注释节点）。

如下图：

这四种类型的节点构成树，Soup代表这颗树，String为叶子节点，tag为标签子节点，为其标签包含的所有内容。

建树

import bs4#导入BeautifulSoup库

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。

 

节点属性

可以通过Tag.attrs访问，返回字典结构的属性。

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。

 

遍历

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

 

String 子节点：

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

 

子孙节点：

Tag.descendants：生成器，可用于循环访问：for des inTag.descendants

 

父节点：

Tag.parent：父节点

Tag.parents：父到根的所有节点

 

兄弟节点：

Tag.next_sibling

Tag.next_siblings

Tag.previous_sibling

Tag.previous_siblings

查找

最常用的是find_all()函数

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。

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

第一个参数为Tag的名称

#第一个参数为Tag的名称，如：
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>

完整详细的中文文档见：

http://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html