python soup attrs_Python 之BeautifulSoup4解析模块

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。

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 通俗点讲就是 HTML 中的一个个标签，例如：

The Dormouse's story

The Dormouse's story

上面的 title head a p等等 HTML 标签加上里面包括的内容就是 Tag，那么试着使用 Beautiful Soup 来获取 Tags:

from bs4 importBeautifulSoup

html= """

The Dormouse's story

The Dormouse's story

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

,

Lacie and

Tillie;

and they lived at the bottom of a well.

...

"""

#创建 Beautiful Soup 对象

soup =BeautifulSoup(html)printsoup.title#

The Dormouse's story

printsoup.head#

The Dormouse's story

printsoup.a#

printsoup.p#

The Dormouse's story

printtype(soup.p)#

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。如果要查询所有的标签，后面会进行介绍。

对于 Tag，它有两个重要的属性，是 name 和 attrs

printsoup.name#[document] #soup 对象本身比较特殊，它的 name 即为 [document]

printsoup.head.name#head #对于其他内部标签，输出的值便为标签本身的名称

printsoup.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。

print soup.p['class'] #soup.p.get('class')#['title'] #还可以利用get方法，传入属性的名称，二者是等价的

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

print soup.p #可以对这些属性和内容等等进行修改#

The Dormouse's story

del soup.p['class'] #还可以对这个属性进行删除

printsoup.p#

The Dormouse's story

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

printsoup.p.string#The Dormouse's story

printtype(soup.p.string)#In [13]:

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，以及属性来感受一下

printtype(soup.name)#

printsoup.name#[document]

print soup.attrs #文档本身的属性为空#{}

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。

printsoup.a#

printsoup.a.string#Elsie

printtype(soup.a.string)#

a 标签里的内容实际上是注释，但是如果我们利用 .string 来输出它的内容时，注释符号已经去掉了。

遍历文档树

1. 直接子节点 ：.contents .children 属性

.content

tag 的 .content 属性可以将tag的子节点以列表的方式输出

printsoup.head.contents#[

The Dormouse's story]

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

printsoup.head.contents[0]#

The Dormouse's story

.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

printsoup.head.children#

for child insoup.body.children:print child

结果:

The Dormouse's story

Once upon a time there were three little sisters; andtheir names were,Lacie and

Tillie;and they lived at the bottom of a well.

...

2. 所有子孙节点: .descendants 属性

.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 insoup.descendants:print child

运行结果：

The Dormouse's story

The Dormouse's story

Once upon a time there were three little sisters; andtheir names were,Lacie and

Tillie;and they lived at the bottom of a well.

...

The Dormouse's storyThe Dormouse's story

The Dormouse's story

The Dormouse's story

Once upon a time there were three little sisters; andtheir names were,Lacie and

Tillie;and they lived at the bottom of a well.

...

The Dormouse's story

The Dormouse's story

The Dormouse's story

Once upon a time there were three little sisters; andtheir names were,Lacie and

Tillie;and they lived at the bottom of a well.

Once upon a time there were three little sisters;andtheir names were Elsie

,LacieLacieand

TillieTillie

;andthey lived at the bottom of a well.

...

...

3. 节点内容: .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：

printsoup.head.string#The Dormouse's story

printsoup.title.string#The Dormouse's story

搜索文档树

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

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]

print soup.find_all('a')#[, Lacie, Tillie]

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

和 标签都应该被找到

importrefor 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标签和标签:

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

2)keyword 参数

soup.find_all(id='link2')#[Lacie]

3)text 参数

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

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"]

CSS选择器

这就是另一种与 find_all 方法有异曲同工之妙的查找方法.

写 CSS 时，标签名不加任何修饰，类名前加.，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')#[

The Dormouse's story]

print soup.select('a')#[, Lacie, Tillie]

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

(2)通过类名查找

print soup.select('.sister')#[, Lacie, Tillie]

(3)通过 id 名查找

print soup.select('#link1')#[]

(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')#[]

直接子标签查找，则使用 > 分隔

print soup.select("head > title")#[

The Dormouse's story]

(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"]')#[, Lacie, Tillie]

print soup.select('a[href="http://example.com/elsie"]')#[]

同样，属性仍然可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格

print soup.select('p a[href="http://example.com/elsie"]')#[]

(6) 获取内容

以上的 select 方法返回的结果都是列表形式，可以遍历形式输出，然后用 get_text() 方法来获取它的内容。

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()