功能
BeautifulSoup是用来从HTML或XML中提取数据的Python库。
对于不具备良好格式的 HTML 内容,lxml 提供了两个有用的包:lxml.html 模块和 BeautifulSoup 解析器。
导入
使用方法:
from bs4 import BeautifulSoup
soup = BeautifulSoup(html)
pycharm内导入BeautifulSoup
#在Terminal里输入
pip install bs4
编码
soup使用Unicode编码。
对象种类
有四种类型:Tag,NavigableString,BeautifulSoup,Comment。
BeautifulSoup将文档转化为树形结构,每个节点都是上述四种类型的Python对象。
1.Tag
与XML和HTML中Tag对象相同。
如:
soup = BeautifulSoup(Extremely bold)
soup.b就是一个Tag对象。
Name
tag.name 可获取,可更改
Attribute
一个Tag对象可以有多个属性,操作方法和字典相同,如上述Tag对象b就有一个class属性:
soup.b[‘class’]
或者使用get方法soup.b.get(‘class’)
获取所有属性键值对:
soup.b.attrs
tag的属性可添加、删除(del soup.b[‘class’])、修改,和字典方法相同。
如果一个属性key对应多个value,则返回一个value的list,如:
css_soup = BeautifulSoup(‘
‘)
css_soup.p[‘class’]
输出:[“body”, “strikeout”]
这种多个值的属性是需要在HTML中有定义的,如果并没有被定义为多值属性,则返回字符串:
id_soup = BeautifulSoup(”)
id_soup.p[‘id’]
输出’my id’
如果转换的是XML文档,则不会存在多值属性,返回字符串。
可以使用list或字符串对属性赋值。
2. NavigableString
Tag中的字符串即为NavigableString对象。
tag.string
在BeautifulSoup之外使用该类型,推荐转换为Unicode:
unicode(Tag.string)
tag中包含的字符串不可编辑,只能替换:
tag.string.replace_with(new string)
tag能够包含其他tag或字符串,而NavigableString则不能包含其他对象。不支持.content,.string,find(),只支持部分遍历文档树和搜索文档树中的属性。
3. BeautifulSoup
表示的是一个文档的全部内容,大部分情况可当做Tag对象,支持遍历文档树和搜索文档树的大部分属性。
而在HTML或XML中并没有叫做BeautifulSoup的Tag,所以并没有name和attribute属性,但是有个特殊属性:
soup.name
输出u’[document]’
4. Comment
Comment类型是NavigableString类型的子类,BeautifulSoup中也有同样道理的一些其他类型。
遍历文档树
BeautifulSoup对象作为一棵树,有多个节点。对于一个节点,相对于它所在的位置,有子节点、父节点、兄弟节点。
1. 子节点
一个Tag可包含多个Tag以及字符串,这些都是这个Tag的子节点。而NavigableString不会有子节点。
如果想要获得某个Tag,上述已提到方法:
soup.tag_name
通过点取属性,只能获得当前名字的第一个tag,若要获取所有,需要使用搜索文档树中的方法:
soup.find_all(‘tag_name’)
tag的.contents属性可将所有子节点以列表的方式输出。
可通过tag的.children生成器,对所有子节点进行遍历。
.contents和.children只对获取Tag的直接子节点,.descendants可用于对Tag的所有子孙节点进行遍历。
如果tag只有一个NavigableString类型子节点,则可用.string获取。如果包含多个,使用.strings遍历。若输出的字符串中包含空格或空行,使用.stripped_strings去除。
2. 父节点
当前节点的父节点:.parent
当前节点的所有父辈节点:.parents
3. 兄弟节点
拥有同一父节点的节点之间。
.next_sibling
.previous_sibling
同理,所有兄弟节点:
.next_siblings
.previous_siblings
指向下一个或上一个解析对象:
.next_element
.previous_element
.next_elements
.previous_elements
搜索文档树
经常使用的两种方法:find(str)和find_all(str)。
其中的str,代表了tag的name。可以是纯字符串、正则表达式、列表(任一匹配就满足条件,是或运算)、True(返回所有Tag节点不返回字符串节点)。
另一种入参不是str,而是method。此方法是一个函数,只接受一个元素入参,若此函数返回True表示入参匹配要求。例如:
def has_class_but_no_id(tag):
return tag.has_attr(‘class’) and not tag.has_attr(‘id’)
综上,过滤器包括:纯字符串、正则表达式、列表、True、方法这几种。
1. find_all(name,attrs,recursive,text,**kwargs)
该方法搜索当前节点的所有tag子节点。
name参数:
指的是tag的name属性,字符串对象自动忽略。
过滤器可以使用全部种类。
keyword参数:
如果一个入参指定了名字,但是并不是上述提到的入参名字,搜索时会把该入参当做是tag的属性来搜索。例如:
soup.find_all(id=’link2’)
会返回tag中存在属性id,并且id对应的值是link2的tag。
以上方法可使用除方法之外的所有过滤器。
某些特殊属性不能这样直接使用,则使用如下方法:
soup.find_all(attrs={“key”:”value”})
例如要使用class属性进行搜索,由于class是python中的保留字,不能直接写成入参,目前有两种方法:
soup.find_all(‘tag.name’,class_=’class_value’)
soup.find_all(‘tag.name’,attrs={‘class’:’class_value’})
class_方法可以使用全部过滤器。
另外,因为class是一个多值属性,所以只需要匹配一个值,就可以得到结果,所谓的不完全匹配。
使用完全匹配时,过滤器中的字符顺序需要和实际相符合才能得到对应结果。
text参数:
搜索的是Tag中的字符串内容,可使用全部过滤器。
limit参数:
限制返回数量。
recursive参数:
find_all()默认是搜索当前节点的所有子孙节点,若只需要搜索直接的子节点,则设置recursive=False。
find_all()是实际当中用的最广泛的。
因此有了等价的简化版:
soup.find_all(‘a’)
soup(‘a’)
2. find(name,attrs,recursive,text,**kwargs)
find()方法等价于find_all(limit=1),返回符合条件的第一个对象。
区别在于,前者直接返回结果,后者返回只有一个元素的列表。若没有对象符合条件,前者返回None,后者返回空列表。
它也有简化版:
soup.find(‘head’).find(‘title’)
soup.head.title
除了find()和find_all()之外还有一些搜索的方法:
find_parent()
find_next_sibling()
find_previous_sibling()
上面三种可以在后面加’s’表示所有。
find_next()
find_previous()
find_all_next()
find_all_previous()
3. CSS选择器
Tag或BeautifulSoup对象的.select()方法。
修改文档树
暂略
输出
prettify()将文档树格式化之后输出。
若不注重格式,则可使用python的str()或unicode()。
如果想得到tag中包含的文本内容,使用get_text(),可获取到当前节点的文本,以及子孙节点中的文本。返回的是Unicode。
可以指定参数设置分隔符如get_text(“|”)是以“|”作为分隔符。
get_text(strip=True)可去除文本前后的空白。
或者用.stripped_strings进行遍历。
文档解析器
BeautifulSoup的第一个入参是文档,第二个入参是文档解析器,默认情况下的优先顺序是:lxml, html5lib,python标准库。其中只有lxml支持xml文档的解析。
编码
soup使用Unicode编码。
BeautifulSoup进行了编码检测并自动转为Unicode。
BeautifulSoup对象的.original_encoding属性来获取自动识别编码的结果。
当然这样比较慢,有时候会出错。可以在创建BeautifulSoup对象时,指定入参from_encoding来告知文档的编码方式。
有时候转码时有些特殊字符替换成了特殊的Unicode,可通过BeautifulSoup对象的.contains_repalcement_characters属性来判断是否有此情况,为True即为有特殊替换。
输出编码统一为UTF8,若想要其他的编码,则和一般的python字符串相同,需要进行手动设置。
使用chartdet库可提高编码检测效率。