python html解析beautiful_python中html解析-Beautiful Soup
1. Beautiful Soup的簡介
簡單來說，Beautiful Soup是python的一個庫，最主要的功能是從網頁抓取數據。官方解釋如下：
Beautiful Soup提供一些簡單的、python式的函數用來處理導航、搜索、修改分析樹等功能。它是一個工具箱，通過解析文檔為用戶提供需要抓取的數據，因為簡單，所以不需要多少代碼就可以寫出一個完整的應用程序。
Beautiful Soup自動將輸入文檔轉換為Unicode編碼，輸出文檔轉換為utf-8編碼。你不需要考慮編碼方式，除非文檔沒有指定一個編碼方式，這 時，Beautiful Soup就不能自動識別編碼方式了。然后，你僅僅需要說明一下原始編碼方式就可以了。
Beautiful Soup已成為和lxml、html6lib一樣出色的python解釋器，為用戶靈活地提供不同的解析策略或強勁的速度。
廢話不多說，我們來試一下吧~
2. Beautiful Soup 安裝
Beautiful Soup 3 目前已經停止開發，推薦在現在的項目中使用Beautiful Soup
4，不過它已經被移植到BS4了，也就是說導入時我們需要 import bs4 。所以這里我們用的版本是 Beautiful Soup 4.3.2
(簡稱BS4)，另外據說 BS4 對 Python3 的支持不夠好，不過我用的是 Python2.7.7，如果有小伙伴用的是 Python3
版本，可以考慮下載 BS3 版本。
如果你用的是新版的Debain或Ubuntu,那么可以通過系統的軟件包管理來安裝，不過它不是最新版本，目前是4.2.1版本
sudo apt-get install Python-bs4
如果想安裝最新的版本，請直接下載安裝包來手動安裝，也是十分方便的方法。在這里我安裝的是 Beautiful Soup 4.3.2
Beautiful Soup 3.2.1Beautiful Soup 4.3.2
下載完成之后解壓
運行下面的命令即可完成安裝
python setup.py install
然后需要安裝 lxml
sudo apt-get install Python-lxml
Beautiful Soup支持Python標準庫中的HTML解析器,還支持一些第三方的解析器，如果我們不安裝它，則 Python 會使用 Python默認的解析器，lxml 解析器更加強大，速度更快，推薦安裝。
3. 開啟Beautiful Soup 之旅
在這里先分享官方文檔鏈接，不過內容是有些多，也不夠條理，在此本文章做一下整理方便大家參考。
官方文檔
4. 創建 Beautiful Soup 對象
首先必須要導入 bs4 庫
from bs4 import BeautifulSoup
我們創建一個字符串，后面的例子我們便會用它來演示
html = """
The Dormouse's storyThe 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.
...
"""
創建 beautifulsoup 對象
soup = BeautifulSoup(html)
另外，我們還可以用本地 HTML 文件來創建對象，例如
soup = BeautifulSoup(open('index.html'))
上面這句代碼便是將本地 index.html 文件打開，用它來創建 soup 對象
下面我們來打印一下 soup 對象的內容，格式化輸出
print soup.prettify()
輸出：
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.
...
以上便是輸出結果，格式化打印出了它的內容，這個函數經常用到，小伙伴們要記好咯。
5. 四大對象種類
Beautiful Soup將復雜HTML文檔轉換成一個復雜的樹形結構,每個節點都是Python對象,所有對象可以歸納為4種:
Tag
NavigableString
BeautifulSoup
Comment
下面我們進行一一介紹
(1)Tag
Tag 是什么？通俗點講就是 HTML 中的一個個標簽，例如
The Dormouse's storyElsie
上面的title、a 等等 HTML 標簽加上里面包括的內容就是Tag，下面我們來感受一下怎樣用 Beautiful Soup方便地獲取Tags
下面每一段代碼中注釋部分即為運行結果
print soup.title
#
The Dormouse's storyprint soup.head
#
The Dormouse's storyprint soup.a
#
print soup.p
#
The Dormouse's story
我們可以利用 soup加標簽名輕松地獲取這些標簽的內容，是不是感覺比正則表達式方便多了？不過有一點是，它查找的是在所有內容中的第一個符合要求的標簽，如果要查詢所有的標簽，我們在后面進行介紹。
我們可以驗證一下這些對象的類型
print type(soup.a)
#
對于 Tag，它有兩個重要的屬性，是 name 和 attrs，下面我們分別來感受一下：
print soup.name
print soup.head.name
#[document]
#head
soup 對象本身比較特殊，它的 name 即為 [document]，對于其他內部標簽，輸出的值便為標簽本身的名稱。
print soup.p.attrs
#{'class': ['title'], 'name': 'dromouse'}
在這里，我們把 p 標簽的所有屬性打印輸出了出來，得到的類型是一個字典。
如果我們想要單獨獲取某個屬性，可以這樣，例如我們獲取它的 class 叫什么
print soup.p['class']
#['title']
還可以這樣，利用get方法，傳入屬性的名稱，二者是等價的
print soup.p.get('class')
#['title']
我們可以對這些屬性和內容等等進行修改，例如
soup.p['class']="newClass"
print soup.p
#
The Dormouse's story
還可以對這個屬性進行刪除，例如
del soup.p['class']
print soup.p
#
The Dormouse's story
不過，對于修改刪除的操作，不是我們的主要用途，在此不做詳細介紹了，如果有需要，請查看前面提供的官方文檔
(2)NavigableString
既然我們已經得到了標簽的內容，那么問題來了，我們要想獲取標簽內部的文字怎么辦呢？很簡單，用 .string 即可，例如
print soup.p.string
#The Dormouse's story
這樣我們就輕松獲取到了標簽里面的內容，想想如果用正則表達式要多麻煩。它的類型是一個 NavigableString，翻譯過來叫 可以遍歷的字符串，不過我們最好還是稱它英文名字吧。
print type(soup.p.string)
#
來檢查一下它的類型
print type(soup.p.string)
#
(3)BeautifulSoup
BeautifulSoup 對象表示的是一個文檔的全部內容.大部分時候,可以把它當作 Tag 對象，是一個特殊的 Tag，我們可以分別獲取它的類型，名稱，以及屬性來感受一下
print type(soup.name)
#
print soup.name
# [document]
print soup.attrs
#{} 空字典
(4)Comment
Comment 對象是一個特殊類型的 NavigableString 對象，其實輸出的內容仍然不包括注釋符號，但是如果不好好處理它，可能會對我們的文本處理造成意想不到的麻煩。
我們找一個帶注釋的標簽
print soup.a
print soup.a.string
print type(soup.a.string)
運行結果如下
Elsie
a 標簽里的內容實際上是注釋，但是如果我們利用 .string 來輸出它的內容，我們發現它已經把注釋符號去掉了，所以這可能會給我們帶來不必要的麻煩。
另外我們打印輸出下它的類型，發現它是一個 Comment 類型，所以，我們在使用前最好做一下判斷，判斷代碼如下
if type(soup.a.string)==bs4.element.Comment:
print soup.a.string
上面的代碼中，我們首先判斷了它的類型，是否為 Comment 類型，然后再進行其他操作，如打印輸出。
6. 遍歷文檔樹
(1)直接子節點
要點：.contents .children 屬性
.contents
tag 的 .content 屬性可以將tag的子節點以列表的方式輸出
print soup.head.contents
#[
The Dormouse's story]輸出方式為列表，我們可以用列表索引來獲取它的某一個元素
print soup.head.contents[0]
#
The Dormouse's story.children
它返回的不是一個 list，不過我們可以通過遍歷獲取所有子節點。
我們打印輸出 .children 看一下，可以發現它是一個 list 生成器對象
print soup.head.children
#
我們怎樣獲得里面的內容呢？很簡單，遍歷一下就好了，代碼及結果如下
for child in soup.body.children:
print child
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.
...
(2)所有子孫節點
知識點：.descendants 屬性
.descendants
.contents 和 .children 屬性僅包含tag的直接子節點，.descendants 屬性可以對所有tag的子孫節點進行遞歸循環，和 children類似，我們也需要遍歷獲取其中的內容。
for child in soup.descendants:
print child
運行結果如下，可以發現，所有的節點都被打印出來了，先生最外層的 HTML標簽，其次從 head 標簽一個個剝離，以此類推。
The Dormouse's storyThe 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.
...
The Dormouse's storyThe Dormouse's storyThe 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.
...
The Dormouse's story
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.
Once upon a time there were three little sisters; and their names were
Elsie
,
Lacie
Lacie
and
Tillie
Tillie
;
and they lived at the bottom of a well.
...
...
(3)節點內容
知識點：.string 屬性
如果tag只有一個 NavigableString 類型子節點,那么這個tag可以使用 .string 得到子節點。如果一個tag僅有一個子節點,那么這個tag也可以使用 .string 方法,輸出結果與當前唯一子節點的 .string 結果相同。
通俗點說就是：如果一個標簽里面沒有標簽了，那么 .string 就會返回標簽里面的內容。如果標簽里面只有唯一的一個標簽了，那么 .string 也會返回最里面的內容。例如：
print soup.head.string
#The Dormouse's story
print soup.title.string
#The Dormouse's story
如果tag包含了多個子節點,tag就無法確定，string 方法應該調用哪個子節點的內容, .string 的輸出結果是 None
print soup.html.string
# None
(4)多個內容
知識點： .strings .stripped_strings 屬性
.strings
獲取多個內容，不過需要遍歷獲取，比如下面的例子
for string in soup.strings:
print(repr(string))
# u"The Dormouse's story"
# u'\n\n'
# u"The Dormouse's story"
# u'\n\n'
# u'Once upon a time there were three little sisters; and their names were\n'
# u'Elsie'
# u',\n'
# u'Lacie'
# u' and\n'
# u'Tillie'
# u';\nand they lived at the bottom of a well.'
# u'\n\n'
# u'...'
# u'\n'
.stripped_strings
輸出的字符串中可能包含了很多空格或空行,使用 .stripped_strings 可以去除多余空白內容
for string in soup.stripped_strings:
print(repr(string))
# u"The Dormouse's story"
# u"The Dormouse's story"
# u'Once upon a time there were three little sisters; and their names were'
# u'Elsie'
# u','
# u'Lacie'
# u'and'
# u'Tillie'
# u';\nand they lived at the bottom of a well.'
# u'...'
(5)父節點
知識點： .parent 屬性
p = soup.p
print p.parent.name
#body
content = soup.head.title.string
print content.parent.name
#title
(6)全部父節點
知識點：.parents 屬性
通過元素的 .parents 屬性可以遞歸得到元素的所有父輩節點，例如
content = soup.head.title.string
for parent in content.parents:
print parent.name
運行結果：
title
head
html
[document]
(7)兄弟節點
知識點：.next_sibling .previous_sibling 屬性
兄弟節點可以理解為和本節點處在統一級的節點，.next_sibling 屬性獲取了該節點的下一個兄弟節點，.previous_sibling 則與之相反，如果節點不存在，則返回 None
注意：實際文檔中的tag的 .next_sibling 和 .previous_sibling 屬性通常是字符串或空白，因為空白或者換行也可以被視作一個節點，所以得到的結果可能是空白或者換行
print soup.p.next_sibling
# 實際該處為空白
print soup.p.prev_sibling
#None 沒有前一個兄弟節點，返回 None
print soup.p.next_sibling.next_sibling
#
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.
#下一個節點的下一個兄弟節點是我們可以看到的節點
(8)全部兄弟節點
知識點：.next_siblings .previous_siblings 屬性
通過 .next_siblings 和 .previous_siblings 屬性可以對當前節點的兄弟節點迭代輸出
for sibling in soup.a.next_siblings:
print(repr(sibling))
# u',\n'
# Lacie
# u' and\n'
# Tillie
# u'; and they lived at the bottom of a well.'
# None
(9)前后節點
知識點：.next_element .previous_element 屬性
與 .next_sibling .previous_sibling 不同，它并不是針對于兄弟節點，而是在所有節點，不分層次
比如 head 節點為
The Dormouse's story那么它的下一個節點便是 title，它是不分層次關系的
print soup.head.next_element
#
The Dormouse's story(10)所有前后節點
知識點：.next_elements .previous_elements 屬性
通過 .next_elements 和 .previous_elements 的迭代器就可以向前或向后訪問文檔的解析內容,就好像文檔正在被解析一樣
for element in last_a_tag.next_elements:
print(repr(element))
# u'Tillie'
# u';\nand they lived at the bottom of a well.'
# u'\n\n'
#
...
# u'...'
# u'\n'
# None
7.搜索文檔樹
(1)find_all( name , attrs , recursive , text , **kwargs )
find_all() 方法搜索當前tag的所有tag子節點,并判斷是否符合過濾器的條件
1)name 參數
name 參數可以查找所有名字為 name 的tag,字符串對象會被自動忽略掉
A.傳字符串
最簡單的過濾器是字符串.在搜索方法中傳入一個字符串參數,Beautiful Soup會查找與字符串完整匹配的內容,下面的例子用于查找文檔中所有的標簽
soup.find_all('b')
# [The Dormouse's story]
print soup.find_all('a')
#[, Lacie, Tillie]
B.傳正則表達式
如果傳入正則表達式作為參數,Beautiful Soup會通過正則表達式的 match() 來匹配內容.下面例子中找出所有以b開頭的標簽,這表示
和標簽都應該被找到import re
for tag in soup.find_all(re.compile("^b")):
print(tag.name)
# body
# b
C.傳列表
如果傳入列表參數,Beautiful Soup會將與列表中任一元素匹配的內容返回.下面代碼找到文檔中所有標簽和標簽
soup.find_all(["a", "b"])
# [The Dormouse's story,
# Elsie,
# Lacie,
# Tillie]
D.傳 True
True 可以匹配任何值,下面代碼查找到所有的tag,但是不會返回字符串節點
for tag in soup.find_all(True):
print(tag.name)
運行結果：
# html
# head
# title
# body
# p
# b
# p
# a
# a
E.傳方法
如果沒有合適過濾器,那么還可以定義一個方法,方法只接受一個元素參數 [4] ,如果這個方法返回 True 表示當前元素匹配并且被找到,如果不是則反回 False
下面方法校驗了當前元素,如果包含 class 屬性卻不包含 id 屬性,那么將返回 True:
def has_class_but_no_id(tag):
return tag.has_attr('class') and not tag.has_attr('id')
將這個方法作為參數傳入 find_all() 方法,將得到所有
標簽:
soup.find_all(has_class_but_no_id)
# [
The Dormouse's story
,#
Once upon a time there were...
,#
...
]2)keyword 參數
注意：如果一個指定名字的參數不是搜索內置的參數名,搜索時會把該參數當作指定名字tag的屬性來搜索,如果包含一個名字為 id 的參數,Beautiful Soup會搜索每個tag的”id”屬性
soup.find_all(id='link2')
# [Lacie]
如果傳入 href 參數,Beautiful Soup會搜索每個tag的”href”屬性
soup.find_all(href=re.compile("elsie"))
# [Elsie]
使用多個指定名字的參數可以同時過濾tag的多個屬性
soup.find_all(href=re.compile("elsie"), id='link1')
# [three]
在這里我們想用 class 過濾，不過 class 是 python 的關鍵詞，這怎么辦？加個下劃線就可以
soup.find_all("a", class_="sister")
# [Elsie,
# Lacie,
# Tillie]
有些tag屬性在搜索不能使用,比如HTML5中的 data-* 屬性
soup.find_all("a", class_="sister")
# [Elsie,
# Lacie,
# Tillie]
但是可以通過 find_all() 方法的 attrs 參數定義一個字典參數來搜索包含特殊屬性的tag
data_soup.find_all(attrs={"data-foo": "value"})
# [
foo!]3)text 參數
通過 text 參數可以搜搜文檔中的字符串內容.與 name 參數的可選值一樣, text 參數接受 字符串 , 正則表達式 , 列表, True
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"]
4)limit 參數
find_all() 方法返回全部的搜索結構,如果文檔樹很大那么搜索會很慢.如果我們不需要全部結果,可以使用 limit 參數限制返回結果的數量.效果與SQL中的limit關鍵字類似,當搜索到的結果數量達到 limit 的限制時,就停止搜索返回結果.
文檔樹中有3個tag符合搜索條件,但結果只返回了2個,因為我們限制了返回數量
soup.find_all("a", limit=2)
# [Elsie,
# Lacie]
5)recursive 參數
調用tag的 find_all() 方法時,Beautiful Soup會檢索當前tag的所有子孫節點,如果只想搜索tag的直接子節點,可以使用參數 recursive=False .
一段簡單的文檔:
復制代碼 代碼如下:
The Dormouse's story
...
是否使用 recursive 參數的搜索結果:
soup.html.find_all("title")
# [
The Dormouse's story]soup.html.find_all("title", recursive=False)
# []
(2)find( name , attrs , recursive , text , **kwargs )
它與 find_all() 方法唯一的區別是 find_all() 方法的返回結果是值包含一個元素的列表,而 find() 方法直接返回結果
(3)find_parents() find_parent()
find_all() 和 find() 只搜索當前節點的所有子節點,孫子節點等. find_parents() 和 find_parent() 用來搜索當前節點的父輩節點,搜索方法與普通tag的搜索方法相同,搜索文檔搜索文檔包含的內容
(4)find_next_siblings() find_next_sibling()
這2個方法通過 .next_siblings 屬性對當 tag 的所有后面解析的兄弟 tag 節點進行迭代,
find_next_siblings() 方法返回所有符合條件的后面的兄弟節點,find_next_sibling()
只返回符合條件的后面的第一個tag節點
(5)find_previous_siblings() find_previous_sibling()
這2個方法通過 .previous_siblings 屬性對當前 tag 的前面解析的兄弟 tag 節點進行迭代,
find_previous_siblings() 方法返回所有符合條件的前面的兄弟節點, find_previous_sibling()
方法返回第一個符合條件的前面的兄弟節點
(6)find_all_next() find_next()
這2個方法通過 .next_elements 屬性對當前 tag 的之后的 tag 和字符串進行迭代, find_all_next() 方法返回所有符合條件的節點, find_next() 方法返回第一個符合條件的節點
(7)find_all_previous() 和 find_previous()
這2個方法通過 .previous_elements 屬性對當前節點前面的 tag 和字符串進行迭代, find_all_previous() 方法返回所有符合條件的節點, find_previous()方法返回第一個符合條件的節點
注：以上(2)(3)(4)(5)(6)(7)方法參數用法與 find_all() 完全相同，原理均類似，在此不再贅述。
8.CSS選擇器
我們在寫 CSS 時，標簽名不加任何修飾，類名前加點，id名前加 #，在這里我們也可以利用類似的方法來篩選元素，用到的方法是 soup.select()，返回類型是 list
(1)通過標簽名查找
print soup.select('title')
#[
The Dormouse's story]print soup.select('a')
#[, Lacie, Tillie]
print soup.select('b')
#[The Dormouse's story]
(2)通過類名查找
print soup.select('.sister')
#[, Lacie, Tillie]
(3)通過 id 名查找
print soup.select('#link1')
#[]
(4)組合查找
組合查找即和寫 class 文件時，標簽名與類名、id名進行的組合原理是一樣的，例如查找 p 標簽中，id 等于 link1的內容，二者需要用空格分開
print soup.select('p #link1')
#[]
直接子標簽查找
print soup.select("head > title")
#[
The Dormouse's story](5)屬性查找
查找時還可以加入屬性元素，屬性需要用中括號括起來，注意屬性和標簽屬于同一節點，所以中間不能加空格，否則會無法匹配到。
print soup.select("head > title")
#[
The Dormouse's story]print soup.select('a[href="http://example.com/elsie"]')
#[]
同樣，屬性仍然可以與上述查找方式組合，不在同一節點的空格隔開，同一節點的不加空格
print soup.select('p a[href="http://example.com/elsie"]')
#[]
好，這就是另一種與 find_all 方法有異曲同工之妙的查找方法，是不是感覺很方便？
總結
本篇內容比較多，把 Beautiful Soup 的方法進行了大部分整理和總結，不過這還不算完全，仍然有 Beautiful Soup 的修改刪除功能，不過這些功能用得比較少，只整理了查找提取的方法，希望對大家有幫助！小伙伴們加油！
熟練掌握了 Beautiful Soup，一定會給你帶來太多方便，加油吧！
總結
以上是生活随笔為你收集整理的python html解析beautiful_python中html解析-Beautiful Soup的全部內容，希望文章能夠幫你解決所遇到的問題。
