Post

Beautifulsoup

Posted Updated
By 😇 19 min read

beautifulsoup

Docs https://www.crummy.com/software/BeautifulSoup/bs4/doc/

中文版 https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/

一、beautifulsoup 的简单使用

简单来说，Beautiful Soup 是 Python 的一个库，最主要的功能是从网页抓取数据。官方解释如下：

Beautiful Soup 提供一些简单的、python 式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。

1、安装

1

pip install beautifulsoup4

或者换源安装

1

pip install beautifulsoup4 -i http://pypi.douban.com/simple/

1.1 解析器

Beautiful Soup 支持 Python 标准库中的 HTML 解析器，还支持一些第三方的解析器，如果我们不安装它，则 Python 会使用 Python 默认的解析器，lxml 解析器更加强大，速度更快，推荐安装。

1

pip install lxml

1.2 解析器对比　

官网文档

2、快速开始

下面的一段 HTML 代码将作为例子被多次用到，这是 爱丽丝梦游仙境的 的一段内容(以后内容中简称为 爱丽丝 的文档):

1
2
3
4
5
6
7
8
9
10
11
12
13

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>

<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""

使用 BeautifulSoup 解析这段代码，能够得到一个BeautifulSoup的对象，并能按照标准的缩进格式的结构输出:

1
2
3
4

from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc, 'lxml')
# html进行美化
print(soup.prettify())

代码输出的结果如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

<html>
 <head>
  <title>
   The Dormouse's story
  </title>
 </head>
 <body>
  <p class="title">
   <b>
    The Dormouse's story
   </b>
  </p>
  <p class="story">
   Once upon a time there were three little sisters; and their names were
   <a class="sister" href="http://example.com/elsie" id="link1">
    Elsie
   </a>
   ,
   <a class="sister" href="http://example.com/lacie" id="link2">
    Lacie
   </a>
   and
   <a class="sister" href="http://example.com/tillie" id="link3">
    Tillie
   </a>
   ;
and they lived at the bottom of a well.
  </p>
  <p class="story">
   ...
  </p>
 </body>
</html>

几个简单的浏览结构化数据的方法:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

soup.title  # 获取标签 title
# <title>The Dormouse's story</title>

soup.title.name   # 获取标签名称
# 'title'

soup.title.string   # 获取标签 title 内的内容
# 'The Dormouse's story'

soup.title.parent  # 获取父级标签
soup.title.parent.name  # 获取父级标签名称
# 'head'

soup.p
# <p class="title"><b>The Dormouse's story</b></p>

soup.p['class']  # 获取 p 的 class 属性值
# 'title'

soup.a
# <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>

soup.find_all('a')
# [<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>]

soup.find(id="link3")  # 获取 id 为 link3 的标签
# <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>

从文档中找到所有<a>标签的链接:

1
2
3
4
5

for link in soup.find_all('a'):
    print(link.get('href'))
    # http://example.com/elsie
    # http://example.com/lacie
    # http://example.com/tillie

从文档中获取所有文字内容:

1

print(soup.get_text())

3、如何使用

将一段文档传入 BeautifulSoup 的构造方法，就能得到一个文档的对象，可以传入一段字符串或一个文件句柄。

1
2
3
4

from bs4 import BeautifulSoup

soup = BeautifulSoup(open("index.html"))
soup = BeautifulSoup("<html>data</html>", 'lxml')

然后，Beautiful Soup 选择最合适的解析器来解析这段文档，如果手动指定解析器那么 Beautiful Soup 会选择指定的解析器来解析文档。

二、beautifulsoup 的遍历文档树

还拿“爱丽丝梦游仙境”的文档来做例子:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

html_doc = """
<html><head><title>The Dormouse's story</title></head>
    <body>
<p class="title"><b>The Dormouse's story</b></p>

<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""

from bs4 import BeautifulSoup
# lxml 和 html.parser 解析的有时候会根据 html 是否完整而有解析不同的问题，需要注意
soup = BeautifulSoup(html_doc, 'html.parser')

通过这段例子来演示怎样从文档的一段内容找到另一段内容

1、子节点

一个 Tag 可能包含多个字符串或其它的 Tag，这些都是这个 Tag 的子节点。Beautiful Soup提供了许多操作和遍历子节点的属性。

注意: Beautiful Soup 中字符串节点不支持这些属性，因为字符串没有子节点。

  • .contents

tag 的.contents属性可以将 tag 的子节点以列表的方式输出：

1
2
3
4
5
6
7
8
9
10
11
12

head_tag = soup.head
head_tag
# <head><title>The Dormouse's story</title></head>

head_tag.contents
# [<title>The Dormouse's story</title>]

title_tag = head_tag.contents[0]
title_tag
# <title>The Dormouse's story</title>
title_tag.contents
# [u'The Dormouse's story']

字符串没有.contents属性，因为字符串没有子节点：

1
2
3

text = title_tag.contents[0]
text.contents
# AttributeError: 'NavigableString' object has no attribute 'contents'

2、 节点内容

2.1 .string

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：

1
2
3
4
5

print(soup.head.string)
# The Dormouse's story
# <title><b>The Dormouse's story</b></title>
print(soup.title.string)
# The Dormouse's story

如果 tag 包含了多个子节点，tag 就无法确定，.string方法应该调用哪个子节点的内容，.string的输出结果是 None

1
2

print(soup.html.string)
# None

2.2 .text

如果tag包含了多个子节点， text则会返回内部所有文本内容

1

print(soup.html.text)

注意：strings 和 text 都可以返回所有文本内容

区别：

  1. text 返回内容为字符串类型
  2. strings 为生成器 generator

3、多个内容

.strings，.stripped_strings属性

3.1 .strings

获取多个内容，不过需要遍历获取，比如下面的例子：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

for string in soup.strings:
    print(repr(string))
    
    
'''
  '\n'
"The Dormouse's story"
'\n'
'\n'
"The Dormouse's story"
'\n'
'Once upon a time there were three little sisters; and their names were\n'
'Elsie'
',\n'
'Lacie'
' and\n'
'Tillie'
';\nand they lived at the bottom of a well.'
'\n'
'...'
'\n'  
    
'''

3.2 .stripped_strings

输出的字符串中可能包含了很多空格或空行，使用.stripped_strings可以去除多余空白内容

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

for string in soup.stripped_strings:
    print(repr(string))


'''

"The Dormouse's story"
"The Dormouse's story"
'Once upon a time there were three little sisters; and their names were'
'Elsie'
','
'Lacie'
'and'
'Tillie'
';\nand they lived at the bottom of a well.'
'...'

'''

4、父节点

继续分析文档树，每个 tag 或字符串都有父节点：被包含在某个 tag 中

  • .parent

通过.parent属性来获取某个元素的父节点。在例子“爱丽丝”的文档中，<head>标签是<title>标签的父节点:

1
2
3
4
5

title_tag = soup.title
title_tag
# <title>The Dormouse's story</title>
title_tag.parent
# <head><title>The Dormouse's story</title></head>

文档的顶层节点比如<html>的父节点是BeautifulSoup对象:

1
2
3

html_tag = soup.html
type(html_tag.parent)
# <class 'bs4.BeautifulSoup'>

三、beautifulsoup 的搜索文档树

1、find_all()

1

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

find_all()方法搜索当前 tag 的所有 tag 子节点，并判断是否符合过滤器的条件：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

soup.find_all("title")
# [<title>The Dormouse's story</title>]

soup.find_all("a")
# [<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>]

soup.find_all(id="link2")
# [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

import re
# 模糊查询 包含 sisters 的就可以
soup.find(string=re.compile("sisters"))
# 'Once upon a time there were three little sisters; and their names were\n'

有几个方法很相似，还有几个方法是新的，参数中的string和id是什么含义？为什么find_all("p", "title")返回的是 CSS Class 为”title”的<p>标签？

我们来仔细看一下find_all()的参数。

1.1 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。

简单的用法如下:

1
2

soup.find_all("title")
# [<title>The Dormouse's story</title>]

搜索name参数的值可以使任一类型的过滤器，字符串，正则表达式，列表，方法或是True 。

<1> 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
2

soup.find_all('b')
# [<b>The Dormouse's story</b>]

<2> 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
2
3
4
5

import re
for tag in soup.find_all(re.compile("^b")):
    print(tag.name)
# body
# b

<3> 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
2
3
4
5

soup.find_all(["a", "b"])
# [<b>The Dormouse's story</b>,
#  <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>]

1.2 keyword 参数

如果一个指定名字的参数不是搜索内置的参数名，搜索时会把该参数当作指定名字 tag 的属性来搜索，如果包含一个名字为id的参数，Beautiful Soup 会搜索每个 tag 的”id”属性。

1
2
3
4
5
6
7
8
9
10
11
12

soup.find_all(id='link2')
# [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

import re
# 超链接包含 elsie 标签
print(soup.find_all(href=re.compile("elsie")))
# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]
# 以The作为开头的字符串
print(soup.find_all(text=re.compile("^The"))) 
# ["The Dormouse's story", "The Dormouse's story"]
# class选择器包含st的节点
print(soup.find_all(class_=re.compile("st")))

搜索指定名字的属性时可以使用的参数值包括字符串，正则表达式，列表， True 。

下面的例子在文档树中查找所有包含id属性的 tag，无论id的值是什么：

1
2
3
4

soup.find_all(id=True)
# [<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>]

使用多个指定名字的参数可以同时过滤 tag 的多个属性:

1
2

soup.find_all(href=re.compile("elsie"), id='link1')
# [<a class="sister" href="http://example.com/elsie" id="link1">three</a>]

在这里我们想用 class 过滤，不过 class 是 Python 的关键词，这怎么办？加个下划线就可以

1
2
3
4
5
6
7
8
9

print(soup.find_all("a", class_="sister"))

'''
[<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>
]

'''

通过find_all()方法的attrs参数定义一个字典参数来搜索包含特殊属性的 tag：

1
2

data_soup.find_all(attrs={"data-foo": "value"})
# [<div data-foo="value">foo!</div>]

注意：如何查看条件 id 和 class 同时存在时的写法

1
2

print(soup.find_all('b', class_="story", id="x"))
print(soup.find_all('b', attrs={"class":"story", "id":"x"}))

1.3 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， True

1
2
3
4
5
6
7
8
9
10
11

import re

print(soup.find_all(text="Elsie"))
# ['Elsie']

print(soup.find_all(text=["Tillie", "Elsie", "Lacie"]))
# ['Elsie', 'Lacie', 'Tillie']

# 只要包含Dormouse就可以
print(soup.find_all(text=re.compile("Dormouse")))
# ["The Dormouse's story", "The Dormouse's story"]

1.4 limit 参数

find_all()方法返回全部的搜索结构，如果文档树很大那么搜索会很慢。如果我们不需要全部结果，可以使用limit参数限制返回结果的数量。效果与 SQL 中的 limit 关键字类似，当搜索到的结果数量达到 limit的限制时，就停止搜索返回结果。

1
2
3
4
5
6
7

print(soup.find_all("a",limit=2))
print(soup.find_all("a")[0:2])

'''
[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, 
<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]
'''

2、find()

1

find( name , attrs , recursive , string , **kwargs )

find_all() 方法将返回文档中符合条件的所有tag，尽管有时候我们只想得到一个结果。比如文档中只有一个<body>标签，那么使用 find_all() 方法来查找<body>标签就不太合适， 使用 find_all 方法并设置 limit=1 参数不如直接使用 find() 方法。下面两行代码是等价的:

1
2
3
4
5

soup.find_all('title', limit=1)
# [<title>The Dormouse's story</title>]

soup.find('title')
# <title>The Dormouse's story</title>

唯一的区别是 find_all() 方法的返回结果是值包含一个元素的列表，而 find() 方法直接返回结果。

find_all() 方法没有找到目标是返回空列表， find() 方法找不到目标时，返回 None 。

1
2

print(soup.find("nosuchtag"))
# None

soup.head.title 是 tag 的名字方法的简写。这个简写的原理就是多次调用当前 tag 的find()方法:

1
2
3
4
5

soup.head.title
# <title>The Dormouse's story</title>

soup.find("head").find("title")
# <title>The Dormouse's story</title>

四、beautifulsoup 的 css 选择器

我们在写 CSS 时，标签名不加任何修饰，类名前加点，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
2

print(soup.select("title"))  #[<title>The Dormouse's story</title>]
print(soup.select("b"))      #[<b>The Dormouse's story</b>]

2、通过类名查找

1
2
3
4
5
6
7
8

print(soup.select(".sister")) 

'''
[<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、id 名查找

1
2

print(soup.select("#link1"))
# [<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
2
3

print(soup.select("p #link2"))

#[<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

直接子标签查找

1
2

print(soup.select("p > #link2"))
# [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

查找既有 class 也有 id 选择器的标签

1

a_string = soup.select(".story#test")

查找有多个 class 选择器的标签

1

a_string = soup.select(".story.test")

查找有多个 class 选择器和一个 id 选择器的标签

1

a_string = soup.select(".story.test#book")

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
2

print(soup.select("a[href='http://example.com/tillie']"))
#[<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

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
2
3
4
5
6
7
8

for title in soup.select('a'):
    print (title.get_text())

'''
Elsie
Lacie
Tillie
'''

练习

1、匹配三国演义中的回合并写入 html 文本中

image-20220610123612886

2、匹配天气信息城市与温度

只要城市与气温

image-20220610123825110

匹配后结果为

image-20220610123845530

3、匹配广州二手房房源信息

匹配红色框内的内容

image-20220610124307970

Python
Python Web Crawler
This post is licensed under CC BY 4.0 by the author.