Python 之BeautifulSoup4解析模块
2021-02-06 00:17
YPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
标签：方式 列表 利用 name element 输出 tle 使用 正则
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。
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：
The Dormouse<span>‘</span><span>s story</span> class="sister" href="http://example.com/elsie" id="link1">class="title" name="dromouse">The Dormouse‘s story
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:
from bs4 import BeautifulSoup html = """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.
...
""" #创建 Beautiful Soup 对象 soup = BeautifulSoup(html) print soup.title #The Dormouse‘s story print soup.head #The Dormouse‘s story print soup.a # print soup.p #The Dormouse‘s story
print type(soup.p) #
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
print soup.name # [document] #soup 对象本身比较特殊，它的 name 即为 [document] print soup.head.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.p.attrs # {‘class‘: [‘title‘], ‘name‘: ‘dromouse‘} # 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。 print soup.p[‘class‘] # soup.p.get(‘class‘) # [‘title‘] #还可以利用get方法，传入属性的名称，二者是等价的 soup.p[‘class‘] = "newClass" print soup.p # 可以对这些属性和内容等等进行修改 #The Dormouse‘s story
del soup.p[‘class‘] # 还可以对这个属性进行删除 print soup.p #The Dormouse‘s story
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
print soup.p.string # The Dormouse‘s story print type(soup.p.string) # In [13]:
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
print type(soup.name) #print soup.name # [document] print soup.attrs # 文档本身的属性为空 # {}
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。
print soup.a # print soup.a.string # Elsie print type(soup.a.string) #
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
print soup.head.contents #[The Dormouse‘s story ]
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
print soup.head.contents[0] #The Dormouse‘s story
.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
print soup.head.children #for child in soup.body.children: print child
结果:
class="title" name="dromouse">The Dormouse‘s story
class="story">Once upon a time there were three little sisters; and their names were class="sister" href="http://example.com/elsie" id="link1">, class="sister" href="http://example.com/lacie" id="link2">Lacie and class="sister" href="http://example.com/tillie" id="link3">Tillie; and they lived at the bottom of a well.
class="story">...
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。
for child in soup.descendants: print child
运行结果：
The Dormouse<span>‘</span><span>s story</span> class="title" name="dromouse">The Dormouse‘s story
class="story">Once upon a time there were three little sisters; and their names were class="sister" href="http://example.com/elsie" id="link1">, class="sister" href="http://example.com/lacie" id="link2">Lacie and class="sister" href="http://example.com/tillie" id="link3">Tillie; and they lived at the bottom of a well.
class="story">...
The Dormouse<span>‘</span><span>s story</span> The Dormouse<span>‘</span><span>s story</span> The Dormouse‘s storyclass="title" name="dromouse">The Dormouse‘s story
class="story">Once upon a time there were three little sisters; and their names were class="sister" href="http://example.com/elsie" id="link1">, class="sister" href="http://example.com/lacie" id="link2">Lacie and class="sister" href="http://example.com/tillie" id="link3">Tillie; and they lived at the bottom of a well.
class="story">...
class="title" name="dromouse">The Dormouse‘s story
The Dormouse‘s story The Dormouse‘s storyclass="story">Once upon a time there were three little sisters; and their names were class="sister" href="http://example.com/elsie" id="link1">, class="sister" href="http://example.com/lacie" id="link2">Lacie and class="sister" href="http://example.com/tillie" id="link3">Tillie; and they lived at the bottom of a well.
Once upon a time there were three little sisters; and their names were class="sister" href="http://example.com/elsie" id="link1"> Elsie , class="sister" href="http://example.com/lacie" id="link2">Lacie Lacie and class="sister" href="http://example.com/tillie" id="link3">Tillie Tillie ; and they lived at the bottom of a well.class="story">...
...
3. 节点内容: .string 属性
如果tag只有一个 NavigableString 类型子节点,那么这个tag可以使用 .string 得到子节点。如果一个tag仅有一个子节点,那么这个tag也可以使用 .string 方法,输出结果与当前唯一子节点的 .string 结果相同。
通俗点说就是：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：
print soup.head.string #The Dormouse‘s story print soup.title.string #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标签:
soup.find_all(‘b‘) # [The Dormouse‘s story] print soup.find_all(‘a‘) #[, Lacie, Tillie]
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,这表示和标签都应该被找到
import re for tag in soup.find_all(re.compile("^b")): print(tag.name) # body # 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标签和标签:
soup.find_all(["a", "b"]) # [The Dormouse‘s story, # Elsie, # Lacie, # Tillie]
2）keyword 参数
soup.find_all(id=‘link2‘) # [Lacie]
3）text 参数
通过 text 参数可以搜搜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
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"]
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.
- 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
print soup.select(‘title‘) #[The Dormouse‘s story ] print soup.select(‘a‘) #[, Lacie, Tillie] print soup.select(‘b‘) #[The Dormouse‘s story]
（2）通过类名查找
print soup.select(‘.sister‘) #[, Lacie, Tillie]
（3）通过 id 名查找
print soup.select(‘#link1‘) #[]
（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
print soup.select(‘p #link1‘) #[]
直接子标签查找，则使用 > 分隔
print soup.select("head > title") #[The Dormouse‘s story ]
（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。
print soup.select(‘a[class="sister"]‘) #[, Lacie, Tillie] print soup.select(‘a[href="http://example.com/elsie"]‘) #[]
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
print soup.select(‘p a[href="http://example.com/elsie"]‘) #[]
(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。
soup = BeautifulSoup(html, ‘lxml‘) print type(soup.select(‘title‘)) print soup.select(‘title‘)[0].get_text() for title in soup.select(‘title‘): print title.get_text()
Python 之BeautifulSoup4解析模块
标签：方式 列表 利用 name element 输出 tle 使用 正则
原文地址：https://www.cnblogs.com/yang-2018/p/12784368.html
文章标题：Python 之BeautifulSoup4解析模块
文章链接：http://soscw.com/index.php/essay/51566.html