以下示例查找标签，遍历文档树，修改文档和刮取网页。
目录
BeautifulSoup 是用于解析 HTML 和 XML 文档的 Python 库。 它通常用于网页抓取。 BeautifulSoup 将复杂的 HTML 文档转换为复杂的 Python 对象树，例如标记，可导航字符串或注释。
安装 BeautifulSoup
我们使用pip3命令安装必要的模块。
$ sudo pip3 install lxml
我们需要安装 BeautifulSoup 使用的lxml模块。
$ sudo pip3 install bs4
上面的命令将安装 BeautifulSoup。
HTML 文件
在示例中，我们将使用以下 HTML 文件：
index.html
<!DOCTYPE html>
<html>
<head>
<title>Header</title>
<meta charset="utf-8">
</head>
<body>
<h2>Operating systems</h2>
<ul id="mylist" style="width:150px">
<li>Solaris</li>
<li>FreeBSD</li>
<li>Debian</li>
<li>NetBSD</li>
<li>Windows</li>
</ul>
<p>
FreeBSD is an advanced computer operating system used to
power modern servers, desktops, and embedded platforms.
</p>
<p>
Debian is a Unix-like computer operating system that is
composed entirely of free software.
</p>
</body>
</html>
BeautifulSoup 简单示例
在第一个示例中，我们使用 BeautifulSoup 模块获取三个标签。
#!/usr/bin/python3
from bs4 import BeautifulSoup
with open("index.html", "r") as f:
contents = f.read()
soup = BeautifulSoup(contents, 'lxml')
print(soup.h2)
print(soup.head)
print(soup.li)
该代码示例将打印三个标签的 HTML 代码。
from bs4 import BeautifulSoup
我们从bs4模块导入BeautifulSoup类。
with open("index.html", "r") as f:
contents = f.read()
我们打开index.html文件并使用read()方法读取其内容。
soup = BeautifulSoup(contents, 'lxml')
创建了BeautifulSoup对象； HTML 数据将传递给构造函数。 第二个选项指定解析器。
print(soup.h2)
print(soup.head)
在这里，我们打印两个标签的 HTML 代码：h2和head。
print(soup.li)
当有多个li元素； 该行打印第一个。
$ ./simple.py
<h2>Operating systems</h2>
<head>
<title>Header</title>
<meta charset="utf-8"/>
</head>
<li>Solaris</li>
这是输出。
BeautifulSoup 标签，名称，文本
标记的name属性给出其名称，text属性给出其文本内容。
#!/usr/bin/python3
from bs4 import BeautifulSoup
with open("index.html", "r") as f:
contents = f.read()
soup = BeautifulSoup(contents, 'lxml')
print("HTML: {0}, name: {1}, text: {2}".format(soup.h2,
soup.h2.name, soup.h2.text))
该代码示例打印h2标签的 HTML 代码，名称和文本。
$ ./tags_names.py
HTML: <h2>Operating systems</h2>, name: h2, text: Operating systems
这是输出。
BeautifulSoup 遍历标签
使用recursiveChildGenerator()方法，我们遍历 HTML 文档。
#!/usr/bin/python3
from bs4 import BeautifulSoup
with open("index.html", "r") as f:
contents = f.read()
soup = BeautifulSoup(contents, 'lxml')
for child in soup.recursiveChildGenerator():
if child.name:
print(child.name)
该示例遍历文档树并打印所有 HTML 标记的名称。
$ ./traverse_tree.py
html
head
title
meta
body
h2
ul
li
li
li
li
li
p
p
在 HTML 文档中，我们有这些标签。
BeautifulSoup 子元素
使用children属性，我们可以获取标签的子级。
#!/usr/bin/python3
from bs4 import BeautifulSoup
with open("index.html", "r") as f:
contents = f.read()
soup = BeautifulSoup(contents, 'lxml')
root = soup.html
root_childs = [e.name for e in root.children if e.name is not None]
print(root_childs)
该示例检索html标记的子代，将它们放置在 Python 列表中，然后将其打印到控制台。 由于children属性还返回标签之间的空格，因此我们添加了一个条件，使其仅包含标签名称。
$ ./get_children.py
['head', 'body']
html标签有两个子元素：head和body。
BeautifulSoup 后继元素
使用descendants属性，我们可以获得标签的所有后代（所有级别的子级）。
#!/usr/bin/python3
from bs4 import BeautifulSoup
with open("index.html", "r") as f:
contents = f.read()
soup = BeautifulSoup(contents, 'lxml')
root = soup.body
root_childs = [e.name for e in root.descendants if e.name is not None]
print(root_childs)
该示例检索body标记的所有后代。
$ ./get_descendants.py
['h2', 'ul', 'li', 'li', 'li', 'li', 'li', 'p', 'p']
这些都是body标签的后代。
BeautifulSoup 网页抓取
请求是一个简单的 Python HTTP 库。 它提供了通过 HTTP 访问 Web 资源的方法。
#!/usr/bin/python3
from bs4 import BeautifulSoup
import requests as req
resp = req.get("http://www.something.com")
soup = BeautifulSoup(resp.text, 'lxml')
print(soup.title)
print(soup.title.text)
print(soup.title.parent)
该示例检索一个简单网页的标题。 它还打印其父级。
resp = req.get("http://www.something.com")
soup = BeautifulSoup(resp.text, 'lxml')
我们获取页面的 HTML 数据。
print(soup.title)
print(soup.title.text)
print(soup.title.parent)
我们检索标题的 HTML 代码，其文本以及其父级的 HTML 代码。
$ ./scraping.py
<title>Something.</title>
Something.
<head><title>Something.</title></head>
这是输出。
BeautifulSoup 美化代码
使用prettify()方法，我们可以使 HTML 代码看起来更好。
#!/usr/bin/python3
from bs4 import BeautifulSoup
import requests as req
resp = req.get("http://www.something.com")
soup = BeautifulSoup(resp.text, 'lxml')
print(soup.prettify())
我们美化了一个简单网页的 HTML 代码。
$ ./prettify.py
<html>
<head>
<title>
Something.
</title>
</head>
<body>
Something.
</body>
</html>
这是输出。
BeautifulSoup 通过 ID 查找元素
使用find()方法，我们可以通过各种方式（包括元素 ID）查找元素。
#!/usr/bin/python3
from bs4 import BeautifulSoup
with open("index.html", "r") as f:
contents = f.read()
soup = BeautifulSoup(contents, 'lxml')
#print(soup.find("ul", attrs={ "id" : "mylist"}))
print(soup.find("ul", id="mylist"))
该代码示例查找具有mylist ID 的ul标签。 带注释的行是执行相同任务的另一种方法。
BeautifulSoup 查找所有标签
使用find_all()方法，我们可以找到满足某些条件的所有元素。
#!/usr/bin/python3
from bs4 import BeautifulSoup
with open("index.html", "r") as f:
contents = f.read()
soup = BeautifulSoup(contents, 'lxml')
for tag in soup.find_all("li"):
print("{0}: {1}".format(tag.name, tag.text))
该代码示例查找并打印所有li标签。
$ ./find_all.py
li: Solaris
li: FreeBSD
li: Debian
li: NetBSD
这是输出。
find_all()方法可以获取要搜索的元素列表。
#!/usr/bin/python3
from bs4 import BeautifulSoup
with open("index.html", "r") as f:
contents = f.read()
soup = BeautifulSoup(contents, 'lxml')
tags = soup.find_all(['h2', 'p'])
for tag in tags:
print(" ".join(tag.text.split()))
该示例查找所有h2和p元素并打印其文本。
find_all()方法还可以使用一个函数，该函数确定应返回哪些元素。
#!/usr/bin/python3
from bs4 import BeautifulSoup
def myfun(tag):
return tag.is_empty_element
with open("index.html", "r") as f:
contents = f.read()
soup = BeautifulSoup(contents, 'lxml')
tags = soup.find_all(myfun)
print(tags)
该示例打印空元素。
$ ./find_by_fun.py
[<meta charset="utf-8"/>]
文档中唯一的空元素是meta。
也可以使用正则表达式查找元素。
#!/usr/bin/python3
import re
from bs4 import BeautifulSoup
with open("index.html", "r") as f:
contents = f.read()
soup = BeautifulSoup(contents, 'lxml')
strings = soup.find_all(string=re.compile('BSD'))
for txt in strings:
print(" ".join(txt.split()))
该示例打印包含“ BSD”字符串的元素的内容。
$ ./regex.py
FreeBSD
NetBSD
FreeBSD is an advanced computer operating system used to power modern servers, desktops, and embedded platforms.
这是输出。
BeautifulSoup CSS 选择器
通过select()和select_one()方法，我们可以使用一些 CSS 选择器来查找元素。
#!/usr/bin/python3
from bs4 import BeautifulSoup
with open("index.html", "r") as f:
contents = f.read()
soup = BeautifulSoup(contents, 'lxml')
print(soup.select("li:nth-of-type(3)"))
本示例使用 CSS 选择器来打印第三个li元素的 HTML 代码。
$ ./select_nth_tag.py
<li>Debian</li>
这是第三个li元素。
CSS 中使用# 字符通过 ID 属性选择标签。
#!/usr/bin/python3
from bs4 import BeautifulSoup
with open("index.html", "r") as f:
contents = f.read()
soup = BeautifulSoup(contents, 'lxml')
print(soup.select_one("#mylist"))
该示例打印具有mylist ID 的元素。
BeautifulSoup 追加元素
append()方法将新标签附加到 HTML 文档。
#!/usr/bin/python3
from bs4 import BeautifulSoup
with open("index.html", "r") as f:
contents = f.read()
soup = BeautifulSoup(contents, 'lxml')
newtag = soup.new_tag('li')
newtag.string='OpenBSD'
ultag = soup.ul
ultag.append(newtag)
print(ultag.prettify())
该示例附加了一个新的li标签。
newtag = soup.new_tag('li')
newtag.string='OpenBSD'
首先，我们使用new_tag()方法创建一个新标签。
ultag = soup.ul
我们获得对ul标签的引用。
ultag.append(newtag)
我们将新创建的标签附加到ul标签。
print(ultag.prettify())
我们以整齐的格式打印ul标签。
BeautifulSoup 插入元素
insert()方法在指定位置插入标签。
#!/usr/bin/python3
from bs4 import BeautifulSoup
with open("index.html", "r") as f:
contents = f.read()
soup = BeautifulSoup(contents, 'lxml')
newtag = soup.new_tag('li')
newtag.string='OpenBSD'
ultag = soup.ul
ultag.insert(2, newtag)
print(ultag.prettify())
该示例将第三个位置的li标签插入ul标签。
BeautifulSoup 替换文字
replace_with()替换元素的文本。
#!/usr/bin/python3
from bs4 import BeautifulSoup
with open("index.html", "r") as f:
contents = f.read()
soup = BeautifulSoup(contents, 'lxml')
tag = soup.find(text="Windows")
tag.replace_with("OpenBSD")
print(soup.ul.prettify())
该示例使用find()方法查找特定元素，并使用replace_with()方法替换其内容。
BeautifulSoup 删除元素
decompose()方法从树中删除标签并销毁它。
#!/usr/bin/python3
from bs4 import BeautifulSoup
with open("index.html", "r") as f:
contents = f.read()
soup = BeautifulSoup(contents, 'lxml')
ptag2 = soup.select_one("p:nth-of-type(2)")
ptag2.decompose()
print(soup.body.prettify())
该示例删除了第二个p元素。
在本教程中，我们使用了 Python BeautifulSoup 库。
扫一扫
155
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
