Python爬虫利器之Beautiful Soup的用法

最新推荐文章于 2024-08-19 09:22:32 发布

myourdream2

最新推荐文章于 2024-08-19 09:22:32 发布

阅读量422

点赞数 1

分类专栏： Python

Python 专栏收录该内容

2 篇文章 0 订阅

订阅专栏

原文链接：Python爬虫利器二之Beautiful Soup的用法

上一节我们介绍了正则表达式，它的内容其实还是蛮多的，如果一个正则匹配稍有差池，那可能程序就处在永久的循环之中，而且有的小伙伴们也对写正则表达式的写法用得不熟练，没关系，我们还有一个更强大的工具，叫Beautiful Soup，有了它我们可以很方便地提取出HTML或XML标签中的内容，实在是方便，这一节就让我们一起来感受一下Beautiful Soup的强大吧。

1. Beautiful Soup的简介

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。

废话不多说，我们来试一下吧~

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

1	easy_install beautifulsoup4

pip install beautifulsoup4

1	pip install beautifulsoup4

如果想安装最新的版本，请直接下载安装包来手动安装，也是十分方便的方法。在这里我安装的是 Beautiful Soup 4.3.2

Beautiful Soup 3.2.1 Beautiful Soup 4.3.2

下载完成之后解压

运行下面的命令即可完成安装

		<div class="crayon-toolbar" data-settings=" show" style="font-size: 12px !important;height: 18px !important; line-height: 18px !important;"><span class="crayon-title"></span>
		<div class="crayon-tools" style="font-size: 12px !important;height: 18px !important; line-height: 18px !important;"><div class="crayon-button crayon-nums-button crayon-pressed" title="切换是否显示行编号"><div class="crayon-button-icon"></div></div><div class="crayon-button crayon-plain-button" title="纯文本显示代码"><div class="crayon-button-icon"></div></div><div class="crayon-button crayon-wrap-button crayon-pressed" title="切换自动换行"><div class="crayon-button-icon"></div></div><div class="crayon-button crayon-expand-button" title="点击展开代码" style="display: none;"><div class="crayon-button-icon"></div></div><div class="crayon-button crayon-copy-button" title="复制代码"><div class="crayon-button-icon"></div></div><div class="crayon-button crayon-popup-button" title="在新窗口中显示代码"><div class="crayon-button-icon"></div></div></div></div>
		<div class="crayon-info" style="min-height: 16.8px !important; line-height: 16.8px !important;"></div>
		<div class="crayon-plain-wrap"><textarea class="crayon-plain print-no" data-settings="dblclick" readonly="" style="tab-size: 4; font-size: 12px !important; line-height: 15px !important; z-index: 0; opacity: 0; overflow: hidden;">sudo python setup.py install</textarea></div>
		<div class="crayon-main" style="position: relative; z-index: 1; overflow: hidden;">
			<table class="crayon-table" style="">
				<tbody><tr class="crayon-row">
			<td class="crayon-nums " data-settings="show">
				<div class="crayon-nums-content" style="font-size: 12px !important; line-height: 15px !important;"><div class="crayon-num" data-line="crayon-5c74dea6f2276798934645-1" style="height: 15px;">1</div></div>
			</td>
					<td class="crayon-code"><div class="crayon-pre" style="font-size: 12px !important; line-height: 15px !important; -moz-tab-size:4; -o-tab-size:4; -webkit-tab-size:4; tab-size:4;"><div class="crayon-line" id="crayon-5c74dea6f2276798934645-1"><span class="crayon-e">sudo </span><span class="crayon-e">python </span><span class="crayon-v">setup</span><span class="crayon-sy">.</span><span class="crayon-e">py </span><span class="crayon-v">install</span></div></div></td>
				</tr>
			</tbody></table>
		</div>
	</div>

然后需要安装 lxml

easy_install lxml

1	easy_install lxml

pip install lxml

1	pip install lxml

另一个可供选择的解析器是纯Python实现的 html5lib , html5lib的解析方式与浏览器相同,可以选择下列方法来安装html5lib:

easy_install html5lib

1	easy_install html5lib

pip install html5lib

1	pip install html5lib

Beautiful Soup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，推荐安装。

<thead”>

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	速度慢不依赖外部扩展

3. 开启Beautiful Soup 之旅

在这里先分享官方文档链接，不过内容是有些多，也不够条理，在此本文章做一下整理方便大家参考。

官方文档

4. 创建 Beautiful Soup 对象

首先必须要导入 bs4 库

from bs4 import BeautifulSoup

1	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> The Dormouse's story Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1"></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. ... """

html = """

<html><head><title>The Dormouse's story</title></head>

<body>

The Dormouse's story

Once upon a time there were three little sisters; and their names were

<a href="http://example.com/elsie" class="sister" id="link1"></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.

...

"""

创建 beautifulsoup 对象

soup = BeautifulSoup(html)

1	soup = BeautifulSoup ( html )

另外，我们还可以用本地 HTML 文件来创建对象，例如

soup = BeautifulSoup(open('index.html'))

1	soup = BeautifulSoup ( open ( 'index.html' ) )

上面这句代码便是将本地 index.html 文件打开，用它来创建 soup 对象

下面我们来打印一下 soup 对象的内容，格式化输出

print soup.prettify()

1	print soup . prettify ( )

<html> <head> <title> The Dormouse's story </title> </head> <body> The Dormouse's story Once upon a time there were three little sisters; and their names were <a class="sister" href="http://example.com/elsie" id="link1">  </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. ... </body> </html>

< html >

< head >

< title >

The Dormouse 's story

</title>

以上便是输出结果，格式化打印出了它的内容，这个函数经常用到，小伙伴们要记好咯。

5. 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:

Tag
NavigableString
BeautifulSoup
Comment

下面我们进行一一介绍

（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>

1	< title > The Dormouse' s story < / title >

<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>

1	< a class = "sister" href = "http://example.com/elsie" id = "link1" > Elsie < / a >

上面的 title a 等等 HTML 标签加上里面包括的内容就是 Tag，下面我们来感受一下怎样用 Beautiful Soup 来方便地获取 Tags

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>

1 2	print soup . title #<title>The Dormouse's story</title>

print soup.head #<head><title>The Dormouse's story</title></head>

1 2	print soup . head #<head><title>The Dormouse's story</title></head>

print soup.a #<a class="sister" href="http://example.com/elsie" id="link1"></a>

1 2	print soup . a #<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>

print soup.p #The Dormouse's story

1 2	print soup . p #<p class="title" name="dromouse"><b>The Dormouse's story</b></p>

我们可以利用 soup加标签名轻松地获取这些标签的内容，是不是感觉比正则表达式方便多了？不过有一点是，它查找的是在所有内容中的第一个符合要求的标签，如果要查询所有的标签，我们在后面进行介绍。

我们可以验证一下这些对象的类型

print type(soup.a) #<class 'bs4.element.Tag'>

1 2	print type ( soup . a ) #<class 'bs4.element.Tag'>

对于 Tag，它有两个重要的属性，是 name 和 attrs，下面我们分别来感受一下

name

print soup.name print soup.head.name #[document] #head

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'}

1 2	print soup . p . attrs #{'class': ['title'], 'name': 'dromouse'}

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。

如果我们想要单独获取某个属性，可以这样，例如我们获取它的 class 叫什么

print soup.p['class'] #['title']

1 2	print soup . p [ 'class' ] #['title']

还可以这样，利用get方法，传入属性的名称，二者是等价的

print soup.p.get('class') #['title']

1 2	print soup . p . get ( 'class' ) #['title']

我们可以对这些属性和内容等等进行修改，例如

soup.p['class']="newClass" print soup.p #The Dormouse's story

soup . p [ 'class' ] = "newClass"

print soup . p

#The Dormouse's story

还可以对这个属性进行删除，例如

del soup.p['class'] print soup.p #The Dormouse's story

del soup . p [ 'class' ]

print soup . p

#The Dormouse's story

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

（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

1 2	print soup . p . string #The Dormouse's story

这样我们就轻松获取到了标签里面的内容，想想如果用正则表达式要多麻烦。它的类型是一个 NavigableString，翻译过来叫可以遍历的字符串，不过我们最好还是称它英文名字吧。

来检查一下它的类型

print type(soup.p.string) #<class 'bs4.element.NavigableString'>

1 2	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

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)

print soup . a

print soup . a . string

print type ( soup . a . string )

运行结果如下

<a class="sister" href="http://example.com/elsie" id="link1"></a> Elsie <class 'bs4.element.Comment'>

< a class = "sister" href = "http://example.com/elsie" id = "link1" > < ! -- Elsie -- > < / a >

Elsie

< class 'bs4.element.Comment' >

a 标签里的内容实际上是注释，但是如果我们利用 .string 来输出它的内容，我们发现它已经把注释符号去掉了，所以这可能会给我们带来不必要的麻烦。

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

1 2	if type ( soup . a . string ) == bs4 . element . Comment : print soup . a . string

上面的代码中，我们首先判断了它的类型，是否为 Comment 类型，然后再进行其他操作，如打印输出。

6. 遍历文档树

（1）直接子节点

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

print soup.head.contents #[<title>The Dormouse's story</title>]

1 2	print soup . head . contents #[<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] #<title>The Dormouse's story</title>

1 2	print soup . head . contents [ 0 ] #<title>The Dormouse's story</title>

.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 #<listiterator object at 0x7f71457f5710>

1 2	print soup . head . children #<listiterator object at 0x7f71457f5710>

我们怎样获得里面的内容呢？很简单，遍历一下就好了，代码及结果如下

for child in soup.body.children: print child

1 2	for child in soup . body . children : print child

The Dormouse's story

Once upon a time there were three little sisters; and their names were
<a class=“sister” href=“http://example.com/elsie” id=“link1”></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.

…

The Dormouse’ s 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

（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。

for child in soup.descendants: print child

1 2	for child in soup . descendants : print child

运行结果如下，可以发现，所有的节点都被打印出来了，先生最外层的 HTML标签，其次从 head 标签一个个剥离，以此类推。

<html><head><title>The Dormouse's story</title></head> <body> The Dormouse's story Once upon a time there were three little sisters; and their names were <a class="sister" href="http://example.com/elsie" id="link1"></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. ... </body></html> <head><title>The Dormouse's story</title></head> <title>The Dormouse's story</title> The Dormouse's story

<body>
The Dormouse’s story
Once upon a time there were three little sisters; and their names were
<a class=“sister” href=“http://example.com/elsie” id=“link1”></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.
…
</body>

The Dormouse’s story
The Dormouse’s story
The Dormouse’s story

<a class=“sister” href=“http://example.com/elsie” id=“link1”></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.

…
…

< html > < head > < title > The Dormouse ’s story</title></head>

<body>

The Dormouse’ s 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

知识点：.string 属性

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。例如

print soup.head.string #The Dormouse's story print soup.title.string #The Dormouse's story

print soup . head . string

#The Dormouse's story

print soup . title . string

#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 # None

1 2	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'

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'

.stripped_strings

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'...'

for string in soup . stripped_strings :

print ( repr ( string ) )

# 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

p = soup.p print p.parent.name #body

p = soup . p

print p . parent . name

#body

content = soup.head.title.string print content.parent.name #title

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

content = soup . head . title . string

for parent in content . parents :

print parent . name

title head html [document]

title

head

html

[ document ]

（7）兄弟节点

知识点：.next_sibling .previous_sibling 属性

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 #Once upon a time there were three little sisters; and their names were #<a class="sister" href="http://example.com/elsie" id="link1"></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. #下一个节点的下一个兄弟节点是我们可以看到的节点

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

#Once upon a time there were three little sisters; and their names were

#<a class="sister" href="http://example.com/elsie" id="link1"></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.

#下一个节点的下一个兄弟节点是我们可以看到的节点

（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

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>

1	< 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>

1 2	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' # ... # u'...' # u'\n' # None

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'

# ...

# u'...'

# u'\n'

# None

以上是遍历文档树的基本用法。

7.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

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

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标签

soup.find_all('b') # [The Dormouse's story]

1 2	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"></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>]

1 2	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>]

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>和标签都应该被找到

import re for tag in soup.find_all(re.compile("^b")): print(tag.name) # body # b

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<a>标签和标签

soup.find_all(["a", "b"]) # [The Dormouse's story, # <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 . find_all ( [ "a" , "b" ] )

# [The Dormouse's story,

# <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

for tag in soup . find_all ( True ) :

print ( tag . name )

# html

# head

# title

# body

# p

# b

# p

# 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 [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') 
   
           1 
         
           2 
         
          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>] 
   
           1 
         
           2 
         
           3 
         
           4 
         
          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>] 
   
           1 
         
           2 
         
          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>] 
   
           1 
         
           2 
         
          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>] 
   
 
    
           1 
         

           2 
         
 
          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，这怎么办？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>]