python3 beautifulsoup 模块详解_python3 BeautifulSoup解析库

BeautifulSoup就是Python的一个HTML或XML的解析库，可以用它来方便地从网页中提取数据。官方解释如下：

Beautiful Soup提供一些简单的、Python式的函数来处理导航、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。

所以说，利用它可以省去很多烦琐的提取工作，提高了解析效率。

模块安装

使用之前，需要确保已经安装好了BeautifulSoup和lxml模块。

pip install beautifulsoup4 lxml

解析器选择

Beautiful Soup在解析时实际上依赖解析器，它除了支持Python标准库中的HTML解析器外，还支持一些第三方解析器(比如lxml)。下表为BeautifulSoup支持的解析器：

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及Python 3.2.2之前的版本文档容错能力差

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, "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

通过以上对比可以看出，lxml解析器有解析HTML和XML的功能，而且速度快，容错能力强，所以推荐使用它。

如果使用lxml，那么在初始化Beautiful Soup时，可以把第二个参数改为lxml即可：

from bs4 import BeautifulSoup

soup = BeautifulSoup('

Hello

', 'lxml')

print(soup.p.string)

基本用法

from bs4 import BeautifulSoup

import requests, re

req_obj = requests.get('https://www.baidu.com')

soup = BeautifulSoup(req_obj.text, 'lxml')

'''标签查找'''

print(soup.title) # 只是查找出第一个

print(soup.find('title')) # 效果和上面一样

print(soup.find_all('div')) # 查出所有的div标签

'''获取标签里的属性'''

tag = soup.div

print(tag['class']) # 多属性的话，会返回一个列表

print(tag['id']) # 查找标签的id属性

print(tag.attrs) # 查找标签所有的属性，返回一个字典(属性名：属性值)

'''标签包的字符串'''

tag = soup.title

print(tag.string) # 获取标签里的字符串

tag.string.replace_with("哈哈") # 字符串不能直接编辑，可以替换

'''子节点的操作'''

tag = soup.head

print(tag.title) # 获取head标签后再获取它包含的子标签

'''contents 和 .children'''

tag = soup.body

print(tag.contents) # 将标签的子节点以列表返回

print([child for child in tag.children]) # 输出和上面一样

'''descendants'''

tag = soup.body

[print(child_tag) for child_tag in tag.descendants] # 获取所有子节点和子子节点

'''strings和.stripped_strings'''

tag = soup.body

[print(str) for str in tag.strings] # 输出所有所有文本内容

[print(str) for str in tag.stripped_strings] # 输出所有所有文本内容，去除空格或空行

'''.parent和.parents'''

tag = soup.title

print(tag.parent) # 输出便签的父标签

[print(parent) for parent in tag.parents] # 输出所有的父标签

'''.next_siblings 和 .previous_siblings

查出所有的兄弟节点

'''

'''.next_element 和 .previous_element

下一个兄弟节点

'''

'''find_all的keyword 参数'''

soup.find_all(id='link2') # 查找所有包含 id 属性的标签

soup.find_all(href=re.compile("elsie")) # href 参数,Beautiful Soup会搜索每个标签的href属性:

soup.find_all(id=True) # 找出所有的有id属性的标签

soup.find_all(href=re.compile("elsie"), id='link1') # 也可以组合查找

soup.find_all(attrs={"属性名": "属性值"}) # 也可以通过字典的方式查找

直接输出body

soup.find('body').prettify()

同理可输出其他标签