CSS 选择器:BeautifulSoup4

和 lxml 一样,Beautiful Soup 也是一个HTML/XML的解析器,主要的功能也是如何解析和提取 HTML/XML 数据。

lxml 只会局部遍历,而Beautiful Soup 是基于HTML DOM的,会载入整个文档,解析整个DOM树,因此时间和内存开销都会大很多,所以性能要低于lxml。
BeautifulSoup 用来解析 HTML 比较简单,API非常人性化,支持CSS选择器、Python标准库中的HTML解析器,也支持 lxml 的 XML解析器。
Beautiful Soup 3 目前已经停止开发,推荐现在的项目使用Beautiful Soup 4。使用 pip 安装即可:pip install beautifulsoup4
官方文档:http://beautifulsoup.readthedocs.io/zh_CN/v4.4.0

抓取工具 速度 使用难度 安装难度
正则 最快 困难 无(内置)
BeautifulSoup 最简单 简单
lxml 简单 一般

示例:

首先必须要导入 bs4 库

  1. # beautifulsoup4_test.py
  2. from bs4 import BeautifulSoup
  3. html = """
  4. <html><head><title>The Dormouse's story</title></head>
  5. <body>
  6. <p class="title" name="dromouse"><b>The Dormouse's story</b></p>
  7. <p class="story">Once upon a time there were three little sisters; and their names were
  8. <a href="http://example.com/elsie" class="sister" id="link1"><!-- Elsie --></a>,
  9. <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
  10. <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
  11. and they lived at the bottom of a well.</p>
  12. <p class="story">...</p>
  13. """
  14. #创建 Beautiful Soup 对象
  15. soup = BeautifulSoup(html)
  16. #打开本地 HTML 文件的方式来创建对象
  17. #soup = BeautifulSoup(open('index.html'))
  18. #格式化输出 soup 对象的内容
  19. print soup.prettify()

运行结果:

  1. <html>
  2. <head>
  3. <title>
  4. The Dormouse's story
  5. </title>
  6. </head>
  7. <body>
  8. <p class="title" name="dromouse">
  9. <b>
  10. The Dormouse's story
  11. </b>
  12. </p>
  13. <p class="story">
  14. Once upon a time there were three little sisters; and their names were
  15. <a class="sister" href="http://example.com/elsie" id="link1">
  16. <!-- Elsie -->
  17. </a>
  18. ,
  19. <a class="sister" href="http://example.com/lacie" id="link2">
  20. Lacie
  21. </a>
  22. and
  23. <a class="sister" href="http://example.com/tillie" id="link3">
  24. Tillie
  25. </a>
  26. ;
  27. and they lived at the bottom of a well.
  28. </p>
  29. <p class="story">
  30. ...
  31. </p>
  32. </body>
  33. </html>
  • 如果我们在 IPython2 下执行,会看到这样一段警告:
    beautiful_lxml.png
  • 意思是,如果我们没有显式地指定解析器,所以默认使用这个系统的最佳可用HTML解析器(“lxml”)。如果你在另一个系统中运行这段代码,或者在不同的虚拟环境中,使用不同的解析器造成行为不同。

  • 但是我们可以通过soup = BeautifulSoup(html,“lxml”)方式指定lxml解析器。

四大对象种类

Beautiful Soup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
  • NavigableString
  • BeautifulSoup
  • Comment

1. Tag

Tag 通俗点讲就是 HTML 中的一个个标签,例如:

  1. <head><title>The Dormouse's story</title></head>
  2. <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
  3. <p class="title" name="dromouse"><b>The Dormouse's story</b></p>

上面的 title head a p等等 HTML 标签加上里面包括的内容就是 Tag,那么试着使用 Beautiful Soup 来获取 Tags:

  1. from bs4 import BeautifulSoup
  2. html = """
  3. <html><head><title>The Dormouse's story</title></head>
  4. <body>
  5. <p class="title" name="dromouse"><b>The Dormouse's story</b></p>
  6. <p class="story">Once upon a time there were three little sisters; and their names were
  7. <a href="http://example.com/elsie" class="sister" id="link1"><!-- Elsie --></a>,
  8. <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
  9. <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
  10. and they lived at the bottom of a well.</p>
  11. <p class="story">...</p>
  12. """
  13. #创建 Beautiful Soup 对象
  14. soup = BeautifulSoup(html)
  15. print soup.title
  16. # <title>The Dormouse's story</title>
  17. print soup.head
  18. # <head><title>The Dormouse's story</title></head>
  19. print soup.a
  20. # <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
  21. print soup.p
  22. # <p class="title" name="dromouse"><b>The Dormouse's story</b></p>
  23. print type(soup.p)
  24. # <class 'bs4.element.Tag'>

我们可以利用 soup 加标签名轻松地获取这些标签的内容,这些对象的类型是bs4.element.Tag。但是注意,它查找的是在所有内容中的第一个符合要求的标签。如果要查询所有的标签,后面会进行介绍。

对于 Tag,它有两个重要的属性,是 name 和 attrs

  1. print soup.name
  2. # [document] #soup 对象本身比较特殊,它的 name 即为 [document]
  3. print soup.head.name
  4. # head #对于其他内部标签,输出的值便为标签本身的名称
  5. print soup.p.attrs
  6. # {'class': ['title'], 'name': 'dromouse'}
  7. # 在这里,我们把 p 标签的所有属性打印输出了出来,得到的类型是一个字典。
  8. print soup.p['class'] # soup.p.get('class')
  9. # ['title'] #还可以利用get方法,传入属性的名称,二者是等价的
  10. soup.p['class'] = "newClass"
  11. print soup.p # 可以对这些属性和内容等等进行修改
  12. # <p class="newClass" name="dromouse"><b>The Dormouse's story</b></p>
  13. del soup.p['class'] # 还可以对这个属性进行删除
  14. print soup.p
  15. # <p name="dromouse"><b>The Dormouse's story</b></p>
2. NavigableString

既然我们已经得到了标签的内容,那么问题来了,我们要想获取标签内部的文字怎么办呢?很简单,用 .string 即可,例如

  1. print soup.p.string
  2. # The Dormouse's story
  3. print type(soup.p.string)
  4. # In [13]: <class 'bs4.element.NavigableString'>
3. BeautifulSoup

BeautifulSoup 对象表示的是一个文档的内容。大部分时候,可以把它当作 Tag 对象,是一个特殊的 Tag,我们可以分别获取它的类型,名称,以及属性来感受一下

  1. print type(soup.name)
  2. # <type 'unicode'>
  3. print soup.name
  4. # [document]
  5. print soup.attrs # 文档本身的属性为空
  6. # {}
4. Comment

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

  1. print soup.a
  2. # <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
  3. print soup.a.string
  4. # Elsie
  5. print type(soup.a.string)
  6. # <class 'bs4.element.Comment'>

a 标签里的内容实际上是注释,但是如果我们利用 .string 来输出它的内容时,注释符号已经去掉了。

遍历文档树

1. 直接子节点 :.contents .children 属性

.content

tag 的 .content 属性可以将tag的子节点以列表的方式输出

  1. print soup.head.contents
  2. #[<title>The Dormouse's story</title>]

输出方式为列表,我们可以用列表索引来获取它的某一个元素

  1. print soup.head.contents[0]
  2. #<title>The Dormouse's story</title>

.children

它返回的不是一个 list,不过我们可以通过遍历获取所有子节点。

我们打印输出 .children 看一下,可以发现它是一个 list 生成器对象

  1. print soup.head.children
  2. #<listiterator object at 0x7f71457f5710>
  3. for child in soup.body.children:
  4. print child

结果:

  1. <p class="title" name="dromouse"><b>The Dormouse's story</b></p>
  2. <p class="story">Once upon a time there were three little sisters; and their names were
  3. <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>,
  4. <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
  5. <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
  6. and they lived at the bottom of a well.</p>
  7. <p class="story">...</p>

2. 所有子孙节点: .descendants 属性

.contents 和 .children 属性仅包含tag的直接子节点,.descendants 属性可以对所有tag的子孙节点进行递归循环,和 children类似,我们也需要遍历获取其中的内容。

  1. for child in soup.descendants:
  2. print child

运行结果:

  1. <html><head><title>The Dormouse's story</title></head>
  2. <body>
  3. <p class="title" name="dromouse"><b>The Dormouse's story</b></p>
  4. <p class="story">Once upon a time there were three little sisters; and their names were
  5. <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>,
  6. <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
  7. <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
  8. and they lived at the bottom of a well.</p>
  9. <p class="story">...</p>
  10. </body></html>
  11. <head><title>The Dormouse's story</title></head>
  12. <title>The Dormouse's story</title>
  13. The Dormouse's story
  14. <body>
  15. <p class="title" name="dromouse"><b>The Dormouse's story</b></p>
  16. <p class="story">Once upon a time there were three little sisters; and their names were
  17. <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>,
  18. <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
  19. <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
  20. and they lived at the bottom of a well.</p>
  21. <p class="story">...</p>
  22. </body>
  23. <p class="title" name="dromouse"><b>The Dormouse's story</b></p>
  24. <b>The Dormouse's story</b>
  25. The Dormouse's story
  26. <p class="story">Once upon a time there were three little sisters; and their names were
  27. <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>,
  28. <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
  29. <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
  30. and they lived at the bottom of a well.</p>
  31. Once upon a time there were three little sisters; and their names were
  32. <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
  33. Elsie
  34. ,
  35. <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>
  36. Lacie
  37. and
  38. <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
  39. Tillie
  40. ;
  41. and they lived at the bottom of a well.
  42. <p class="story">...</p>

3. 节点内容: .string 属性

如果一个标签里面没有标签了,那么 .string 就会返回标签里面的内容。如果标签里面只有唯一的一个标签了,那么 .string 也会返回最里面的内容。例如:

  1. print soup.head.string
  2. #The Dormouse's story
  3. print soup.title.string
  4. #The Dormouse's story

搜索文档树

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

1)name 参数

name 参数可以查找所有名字为 name 的tag,字符串对象会被自动忽略掉

A.传字符串

最简单的过滤器是字符串.在搜索方法中传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容,下面的例子用于查找文档中所有的 < b >标签:

  1. soup.find_all('b')
  2. # [<b>The Dormouse's story</b>]
  3. print soup.find_all('a')
  4. #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
B.传正则表达式

如果传入正则表达式作为参数,Beautiful Soup会通过正则表达式的 match() 来匹配内容.下面例子中找出所有以b开头的标签,这表示< body >和< b >标签都应该被找到

  1. import re
  2. for tag in soup.find_all(re.compile("^b")):
  3. print(tag.name)
  4. # body
  5. # b
C.传列表

如果传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回.下面代码找到文档中所有< a >标签和< b >标签:

  1. soup.find_all(["a", "b"])
  2. # [<b>The Dormouse's story</b>,
  3. # <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
  4. # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>,
  5. # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

2)keyword 参数

  1. soup.find_all(class_ = "sister")
  2. #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
  3. soup.find_all(id='link2')
  4. # [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

3)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

  1. soup.find_all(text="Elsie")
  2. # [u'Elsie']
  3. soup.find_all(text=["Tillie", "Elsie", "Lacie"])
  4. # [u'Elsie', u'Lacie', u'Tillie']
  5. soup.find_all(text=re.compile("Dormouse"))
  6. [u"The Dormouse's story", u"The Dormouse's story"]

2. find

find的用法与find_all一样,区别在于find返回 第一个符合匹配结果,find_all则返回 所有匹配结果的列表。

3. CSS选择器

这就是另一种与 find_all 方法有异曲同工之妙的查找方法,也是返回所有匹配结果的列表。

  • 写 CSS 时,标签名不加任何修饰,类名前加.,id名前加#
  • 在这里我们也可以利用类似的方法来筛选元素,用到的方法是 soup.select(),返回类型是 list
(1)通过标签名查找
  1. print soup.select('title')
  2. #[<title>The Dormouse's story</title>]
  3. print soup.select('a')
  4. #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
  5. print soup.select('b')
  6. #[<b>The Dormouse's story</b>]
(2)通过类名查找
  1. print soup.select('.sister')
  2. #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
(3)通过 id 名查找
  1. print soup.select('#link1')
  2. #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
(4)组合查找

组合查找即和写 class 文件时,标签名与类名、id名进行的组合原理是一样的,例如查找 p 标签中,id 等于 link1的内容,二者需要用空格分开

  1. print soup.select('p #link1')
  2. #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

直接子标签查找,则使用 > 分隔

  1. print soup.select("head > title")
  2. #[<title>The Dormouse's story</title>]
(5)属性查找

查找时还可以加入属性元素,属性需要用中括号括起来,注意属性和标签属于同一节点,所以中间不能加空格,否则会无法匹配到。

  1. print soup.select('a[class="sister"]')
  2. #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
  3. print soup.select('a[href="http://example.com/elsie"]')
  4. #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

同样,属性仍然可以与上述查找方式组合,不在同一节点的空格隔开,同一节点的不加空格

  1. print soup.select('p a[href="http://example.com/elsie"]')
  2. #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
(6) 获取内容

以上的 select 方法返回的结果都是列表形式,可以遍历形式输出,然后用 get_text() 方法来获取它的内容。

  1. soup = BeautifulSoup(html, 'lxml')
  2. print type(soup.select('title'))
  3. print soup.select('title')[0].get_text()
  4. for title in soup.select('title'):
  5. print title.get_text()

Copyright © 黑五电商学院 amzfriday.com all right reserved