BeautifulSoup 常用语法讲解

解析库

BeautifulSoup默认支持Python的标准HTML解析库，但是它也支持一些第三方的解析库

解析库	使用方法	优势	劣势
Python标准库	BeautifulSoup(html,’html.parser’)	Python内置标准库；执行速度快	容错能力较差
lxml HTML解析库	BeautifulSoup(html,’lxml’)	速度快；容错能力强	需要安装，需要C语言库
lxml XML解析库	BeautifulSoup(html,[‘lxml’,’xml’])	速度快；容错能力强；支持XML格式	需要C语言库
htm5lib解析库	BeautifulSoup(html,’htm5llib’)	以浏览器方式解析，最好的容错性	速度慢

代码示例

demo html

<!DOCTYPE html>
<!--STATUS OK-->
<html>
 <head>
  <meta content="text/html;charset=utf-8" http-equiv="content-type"/>
  <meta content="IE=Edge" http-equiv="X-UA-Compatible"/>
  <meta content="always" name="referrer"/>
  <link href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css" rel="stylesheet" type="text/css"/>
  <title>百度一下，你就知道 </title>
 </head>
 <body link="#0000cc">
  <div id="wrapper">
   <div id="head">
    <div class="head_wrapper">
     <div id="u1">
      <a rel="nofollow" class="mnav" href="http://news.baidu.com" name="tj_trnews">
       新闻 </a>
      <a rel="nofollow" class="mnav" href="https://www.hao123.com" name="tj_trhao123">
       hao123 </a>
      <a rel="nofollow" class="mnav" href="http://map.baidu.com" name="tj_trmap">
       地图 </a>
      <a rel="nofollow" class="mnav" href="http://v.baidu.com" name="tj_trvideo">
       视频 </a>
      <a rel="nofollow" class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">
       贴吧 </a>
      <a rel="nofollow" class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;">
       更多产品 </a>
     </div>
    </div>
   </div>
  </div>
 </body>
</html>

创建beautifulsoup4对象

from bs4 import BeautifulSoup

soup = BeautifulSoup(html,"html.parser")

# 缩进格式
print(soup.prettify())

# 获取title标签的所有内容
print(soup.title)
#Output：<title>百度一下，你就知道 </title>

# 获取title标签的名称
print(soup.title.name)
#Output：title

# 获取title标签的文本内容
print(soup.title.string)
#Output：百度一下，你就知道

# 获取head标签的所有内容
print(soup.head)

# 获取第一个div标签中的所有内容
print(soup.div)

# 获取第一个div标签的id的值
print(soup.div["id"])

# 获取第一个a标签中的所有内容
print(soup.a)

# 获取所有的a标签中的所有内容
print(soup.find_all("a"))

# 获取id="u1"
print(soup.find(id="u1"))

# 获取所有的a标签，并遍历打印a标签中的href的值
for item in soup.find_all("a"):
	print(item.get("href"))

# 获取所有的a标签，并遍历打印a标签的文本值
for item in soup.find_all("a"):
	print(item.get_text())

BeautifulSoup4四大对象种类

BeautifulSoup4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:通俗点讲就是HTML中的一个个标签

  from soup4 import BeautifulSoup
  soup = BeautifulSoup(html,"html.parser")

  # 获取title标签的所有内容
  print(soup.title)

  # 获取head标签的所有内容
  print(soup.head)

  # 获取第一个a标签的所有内容
  print(soup.a)

  # 类型
  print(type(soup.a

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

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

  # 在这里，我们把 a 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.a.attrs)

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

  # 可以对这些属性和内容等等进行修改
  soup.a['class'] = "newClass"
  print(soup.a)

  # 还可以对这个属性进行删除
  del soup.a['class']
  print(soup.a)

NavigableString: 获取标签内部的文字用 .string 即可

  print(soup.title.string)

  print(type(soup.title.string))

BeautifulSoup: 表示的是一个文档的内容

  print(type(soup.name))

  print(soup.name)

  print(soup.attrs)

Comment: 是一个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号。

print(soup.a)  # 此时不能出现空格和换行符，a标签如下：
# <a rel="nofollow" class="mnav" href="http://news.baidu.com" name="tj_trnews"><!--新闻--></a>

print(soup.a.string) # 新闻

print(type(soup.a.string)) # <class 'soup4.element.Comment'>

遍历文档树

.contents：获取Tag的所有子节点，返回一个list

# 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)

# 用列表索引来获取它的某一个元素
print(soup.head.contents[1])

.children：获取Tag的所有子节点，返回一个生成器

for child in  soup.body.children:
    print(child)

搜索文档树

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

name参数

字符串过滤：会查找与字符串完全匹配的内容

  a_list = soup.find_all("a")
  print(a_list)

正则表达式过：如果传入的是正则表达式，那么BeautifulSoup4会通过search()来匹配内容

  item_list = soup.find_all(re.compile("a"))
  for item in item_list:
      print(item)

列表：如果传入一个列表，BeautifulSoup4将会与列表中的任一元素匹配到的节点返回

  item_list = soup.find_all(["meta","link"])
  for item in item_list:
      print(item)

方法：传入一个方法，根据方法来匹配

def name_is_exists(tag):
  return tag.has_attr("name")

item_list = soup.find_all(name_is_exists)
for item in item_list:
    print(item)

kwargs参数

  # 查询id=head的Tag
  item_list = soup.find_all(id="head")
  print(item_list)

  # 查询href属性包含ss1.bdstatic.com的Tag
  item_list = soup.find_all(href=re.compile("http://news.baidu.com"))
  print(item_list)

  # 查询所有包含class的Tag(注意：class在Python中属于关键字，所以加_以示区别)
  item_list = soup.find_all(class_=True)
  for item in item_list:
      print(item)

attrs参数

并不是所有的属性都可以使用上面这种方式进行搜索，比如HTML的data-*属性，我们可以使用attrs参数，定义一个字典来搜索包含特殊属性的tag：

item_list = soup.find_all(attrs={"data-foo":"value"})
for item in item_list:
    print(item)

text参数

通过text参数可以搜索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

item_list = soup.find_all(attrs={"data-foo": "value"})
for item in item_list:
    print(item)

item_list = soup.find_all(text="hao123")
for item in item_list:
    print(item)

item_list = soup.find_all(text=["hao123", "地图", "贴吧"])
for item in item_list:
    print(item)

item_list = soup.find_all(text=re.compile("\d"))
for item in item_list:
    print(item)

limit参数

传入一个limit参数来限制返回的数量

item_list = soup.find_all("a",limit=2)
for item in item_list:
    print(item)

find

返回符合条件的第一个Tag,即当我们要取一个值的时候就可以用这个方法

t = soup.div.div

# 等价于
t = soup.find("div").find("div")

CSS选择器

通过标签名查找

print(soup.select('title'))

print(soup.select('a'))

通过类名查找

print(soup.select('.mnav'))

通过id查找

print(soup.select('#u1'))

组合查找

print(soup.select('div .bri'))

属性查找

print(soup.select('a[class="bri"]'))
print(soup.select('a[href="http://tieba.baidu.com"]'))

获取内容

item_list = soup.select("title")
print(soup.select('title')[0].get_text())

Py3操作BS4常用的语法代码片段

解析库