关键词

Python BS4解析库用法详解

Beautiful Soup 简称 BS4(其中 4 表示版本号)是一个 Python 第三方库,它可以从 HTML 或 XML 文档中快速地提取指定的数据。Beautiful Soup 语法简单,使用方便,并且容易理解,因此您可以快速地学习并掌握它。本节我们讲解 BS4 的基本语法。


图1:BS4官网LOGO图

BS4下载安装

由于 Bautiful Soup 是第三方库,因此需要单独下载,下载方式非常简单,执行以下命令即可安装:
pip install bs4
由于 BS4 解析页面时需要依赖文档解析器,所以还需要安装 lxml 作为解析库:
pip install lxml
Python 也自带了一个文档解析库 html.parser, 但是其解析速度要稍慢于 lxml。除了上述解析器外,还可以使用 html5lib 解析器,安装方式如下:
pip install html5lib
该解析器生成 HTML 格式的文档,但速度较慢。

“解析器容错”指的是被解析的文档发生错误或不符合格式时,通过解析器的容错性仍然可以按照既定的正确格式实现解析。

BS4解析对象

创建 BS4 解析对象是万事开头的第一步,这非常地简单,语法格式如下所示:
#导入解析包
from bs4 import BeautifulSoup
#创建beautifulsoup解析对象
soup = BeautifulSoup(html_doc, 'html.parser')
上述代码中,html_doc 表示要解析的文档,而 html.parser 表示解析文档时所用的解析器,此处的解析器也可以是 'lxml' 或者 'html5lib',示例代码如下所示:
#coding:utf8
html_doc = """
<html><head><title>"c语言中文网"</title></head>
<body>
<p class="title"><b>task.lmcjl.com</b></p>
<p class="website">一个学习编程的网站
<a href="http://task.lmcjl.com/python/" id="link1">python教程</a>
<a href="http://task.lmcjl.com/c/" id="link2">c语言教程</a>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc, 'html.parser')
#prettify()用于格式化输出html/xml文档
print(soup.prettify())
输出结果:
<html>
<head>
  <title>
   "c语言中文网"
  </title>
</head>
<body>
  <p class="title">
   <b>
    task.lmcjl.com
   </b>
  </p>
  <p class="website">
   一个学习编程的网站
   <a href="http://task.lmcjl.com/python/" id="link1">
    python教程
   </a>
   <a href="http://task.lmcjl.com/c/" id="link2">
    c语言教程
   </a>
</body>
</html>
如果是外部文档,您也可以通过 open() 的方式打开读取,语法格式如下:
soup = BeautifulSoup(open('html_doc.html', encoding='utf8'), 'lxml')

BS4常用语法

下面对爬虫中经常用到的 BS4 解析方法做详细介绍。

Beautiful Soup 将 HTML 文档转换成一个树形结构,该结构有利于快速地遍历和搜索 HTML 文档。下面使用树状结构来描述一段 HTML 文档:
<html><head><title>c语言中文网</title></head><h1>task.lmcjl.com</h1><p><b>一个学习编程的网站</b></p></body></html>
树状图如下所示:


图1:HTML文档树结构图

文档树中的每个节点都是 Python 对象,这些对象大致分为四类:Tag , NavigableString , BeautifulSoup , Comment 。其中使用最多的是 Tag 和 NavigableString。
  • Tag:标签类,HTML 文档中所有的标签都可以看做 Tag 对象。
  • NavigableString:字符串类,指的是标签中的文本内容,使用 text、string、strings 来获取文本内容。
  • BeautifulSoup:表示一个 HTML 文档的全部内容,您可以把它当作一个人特殊的 Tag 对象。
  • Comment:表示 HTML 文档中的注释内容以及特殊字符串,它是一个特殊的 NavigableString。

1) Tag节点

标签(Tag)是组成 HTML 文档的基本元素。在 BS4 中,通过标签名和标签属性可以提取出想要的内容。看一组简单的示例:
from bs4 import BeautifulSoup
soup = BeautifulSoup('<p class="Web site url"><b>task.lmcjl.com</b></p>', 'html.parser')
#获取整个p标签的html代码
print(soup.p)
#获取b标签
print(soup.p.b)
#获取p标签内容,使用NavigableString类中的string、text、get_text()
print(soup.p.text)
#返回一个字典,里面是多有属性和值
print(soup.p.attrs)
#查看返回的数据类型
print(type(soup.p))
#根据属性,获取标签的属性值,返回值为列表
print(soup.p['class'])
#给class属性赋值,此时属性值由列表转换为字符串
soup.p['class']=['Web','Site']
print(soup.p)
输出结果如下:
soup.p输出结果:
<p class="Web site url"><b>task.lmcjl.com</b></p>

soup.p.b输出结果:
<b>task.lmcjl.com</b>

soup.p.text输出结果:
task.lmcjl.com

soup.p.attrs输出结果:
{'class': ['Web', 'site', 'url']}

type(soup.p)输出结果:
<class 'bs4.element.Tag'>

soup.p['class']输出结果:
['Web', 'site', 'url']

class属性重新赋值:
<p class="Web Site"><b>task.lmcjl.com</b></p>

遍历节点

Tag 对象提供了许多遍历 tag 节点的属性,比如 contents、children 用来遍历子节点;parent 与 parents 用来遍历父节点;而 next_sibling 与 previous_sibling 则用来遍历兄弟节点 。示例如下:
#coding:utf8
from bs4 import BeautifulSoup

html_doc = """
<html><head><title>"c语言中文网"</title></head>
<body>
<p class="title"><b>task.lmcjl.com</b></p>
<p class="website">一个学习编程的网站</p>
<a href="http://task.lmcjl.com/python/" id="link1">python教程</a>,
<a href="http://task.lmcjl.com/c/" id="link2">c语言教程</a> and
"""
soup = BeautifulSoup(html_doc, 'html.parser')
body_tag=soup.body
print(body_tag)
#以列表的形式输出,所有子节点
print(body_tag.contents)
输出结果:
<body>
<p class="title"><b>task.lmcjl.com</b></p>
<p class="website">一个学习编程的网站</p>
<a href="http://task.lmcjl.com/python/" id="link1">python教程</a>,
<a href="http://task.lmcjl.com/c/" id="link2">c语言教程</a> and
</body>
#以列表的形式输出
['\n', <p class="title"><b>task.lmcjl.com</b></p>, '\n', <p class="website">一个学习编程的网站</p>, '\n', <a href="http://task.lmcjl.com/python/" id="link1">python教程</a>, '\n', <a href="http://task.lmcjl.com/c/" id="link2">c语言教程</a>, '\n']
Tag 的 children 属性会生成一个可迭代对象,可以用来遍历子节点,示例如下:
for child in body_tag.children:
    print(child)
输出结果:
#注意此处已将换行符"\n"省略
<p class="title"><b>task.lmcjl.com</b></p>
<p class="website">一个学习编程的网站</p>
想了解更多相关示例可参考官方文档:点击前往

find_all()与find()

find_all() 与 find() 是解析 HTML 文档的常用方法,它们可以在 HTML 文档中按照一定的条件(相当于过滤器)查找所需内容。find() 与 find_all() 的语法格式相似,希望大家在学习的时候,可以举一反三。

BS4 库中定义了许多用于搜索的方法,find() 与 find_all() 是最为关键的两个方法,其余方法的参数和使用与其类似。

1) find_all()

find_all() 方法用来搜索当前 tag 的所有子节点,并判断这些节点是否符合过滤条件,最后以列表形式将符合条件的内容返回,语法格式如下:
find_all( name , attrs , recursive , text , limit )
参数说明:
  • name:查找所有名字为 name 的 tag 标签,字符串对象会被自动忽略。
  • attrs:按照属性名和属性值搜索 tag 标签,注意由于 class 是 Python 的关键字吗,所以要使用 "class_"。
  • recursive:find_all() 会搜索 tag 的所有子孙节点,设置 recursive=False 可以只搜索 tag 的直接子节点。
  • text:用来搜文档中的字符串内容,该参数可以接受字符串 、正则表达式 、列表、True。
  • limit:由于 find_all() 会返回所有的搜索结果,这样会影响执行效率,通过 limit 参数可以限制返回结果的数量。

find_all() 使用示例如下:
from bs4 import BeautifulSoup
import re

html_doc = """
<html><head><title>"c语言中文网"</title></head>
<body>
<p class="title"><b>task.lmcjl.com</b></p>
<p class="website">一个学习编程的网站</p>
<a href="http://task.lmcjl.com/python/" id="link1">python教程</a>
<a href="http://task.lmcjl.com/c/" id="link2">c语言教程</a>
<a href="http://task.lmcjl.com/django/" id="link3">django教程</a>
<p class="vip">加入我们阅读所有教程</p>
<a href="http://vip.lmcjl.com/?from=index" id="link4">成为vip</a>
"""
#创建soup解析对象
soup = BeautifulSoup(html_doc, 'html.parser')
#查找所有a标签并返回
print(soup.find_all("a"))
#查找前两条a标签并返回
print(soup.find_all("a",limit=2))
#只返回两条a标签
最后以列表的形式返回输出结果,如下所示:
[<a href="http://task.lmcjl.com/python/" id="link1">python教程</a>, <a href="http://task.lmcjl.com/c/" id="link2">c语言教程</a>, <a href="http://task.lmcjl.com/django/" id="link3">django教程</a>, <a href="http://vip.lmcjl.com/?from=index" id="link4">成为vip</a>]

[<a href="http://task.lmcjl.com/python/" id="link1">python教程</a>, <a href="http://task.lmcjl.com/c/" id="link2">c语言教程</a>]
按照标签属性以及属性值查找 HTML 文档,如下所示
print(soup.find_all("p",class_="website"))
print(soup.find_all(id="link4"))
输出结果:
[<p class="website">一个学习编程的网站</p>]
[<a href="http://vip.lmcjl.com/?from=index" id="link4">成为vip</a>]
正则表达式、列表,以及 True 也可以当做过滤条件,使用示例如下:
#列表行书查找tag标签
print(soup.find_all(['b','a']))
#正则表达式匹配id属性值
print(soup.find_all('a',id=re.compile(r'.\d')))
print(soup.find_all(id=True))
#True可以匹配任何值,下面代码会查找所有tag,并返回相应的tag名称
for tag in soup.find_all(True):
    print(tag.name,end=" ")
#输出所有以b开始的tag标签
for tag in soup.find_all(re.compile("^b")):
    print(tag.name)
输出结果如下:
第一个print输出:
[<b>task.lmcjl.com</b>, <a href="http://task.lmcjl.com/python/" id="link1">python教程</a>, <a href="http://task.lmcjl.com/c/" id="link2">c语言教程</a>, <a href="http://task.lmcjl.com/django/" id="link3">django教程</a>, <a href="http://vip.lmcjl.com/?from=index" id="link4">成为vip</a>]
第二个print输出:
[<a href="http://task.lmcjl.com/python/" id="link1">python教程</a>, <a href="http://task.lmcjl.com/c/" id="link2">c语言教程</a>, <a href="http://task.lmcjl.com/django/" id="link3">django教程</a>, <a href="http://vip.lmcjl.com/?from=index" id="link4">成为vip</a>]
第三个print输出:
[<a href="http://task.lmcjl.com/python/" id="link1">python教程</a>, <a href="http://task.lmcjl.com/c/" id="link2">c语言教程</a>, <a href="http://task.lmcjl.com/django/" id="link3">django教程</a>, <a href="http://vip.lmcjl.com/?from=index" id="link4">成为vip</a>]
第四个print输出:
html head title body p b p a a a p a
最后一个输出:
body b
BS4 为了简化代码,为 find_all() 提供了一种简化写法,如下所示:
#简化前
soup.find_all("a")
#简化后
soup("a")
上述两种的方法的输出结果是相同的。

2) find()

find() 方法与 find_all() 类似,不同之处在于 find_all() 会将文档中所有符合条件的结果返回,而 find() 仅返回一个符合条件的结果,所以 find() 方法没有limit参数。使用示例如下:
from bs4 import BeautifulSoup
import re

html_doc = """
<html><head><title>"c语言中文网"</title></head>
<body>
<p class="title"><b>task.lmcjl.com</b></p>
<p class="website">一个学习编程的网站</p>
<a href="http://task.lmcjl.com/python/" id="link1">python教程</a>
<a href="http://task.lmcjl.com/c/" id="link2">c语言教程</a>
<a href="http://task.lmcjl.com/django/" id="link3">django教程</a>
<p class="vip">加入我们阅读所有教程</p>
<a href="http://vip.lmcjl.com/?from=index" id="link4">成为vip</a>
"""
#创建soup解析对象
soup = BeautifulSoup(html_doc, 'html.parser')
#查找第一个a并直接返回结果
print(soup.find('a'))
#查找title
print(soup.find('title'))
#匹配指定href属性的a标签
print(soup.find('a',href='http://task.lmcjl.com/python/'))
#根据属性值正则匹配
print(soup.find(class_=re.compile('tit')))
#attrs参数值
print(soup.find(attrs={'class':'vip'}))
输出结果如下:
a标签:
<a href="http://task.lmcjl.com/python/" id="link1">python教程</a>
指定href属性:
<a href="http://task.lmcjl.com/python/" id="link1">python教程</a>
title:
<title>"c语言中文网"</title>
正则匹配:
<p class="title"><b>task.lmcjl.com</b></p>
#attrs参数值
<p class="vip">加入我们阅读所有教程</p>
使用 find() 时,如果没有找到查询标签会返回 None,而 find_all() 方法返回空列表。示例如下:
print(soup.find('bdi'))
print(soup.find_all('audio'))
输出结果如下:
None
[]
BS4 也为 find()提供了简化写法,如下所示:
#简化写法
print(soup.head.title)
#上面代码等价于
print(soup.find("head").find("title"))
两种写法的输出结果相同,如下所示:
<title>"c语言中文网"</title>
<title>"c语言中文网"</title>

CSS选择器

BS4 支持大部分的 CSS 选择器,比如常见的标签选择器、类选择器、id 选择器,以及层级选择器。Beautiful Soup 提供了一个 select() 方法,通过向该方法中添加选择器,就可以在 HTML 文档中搜索到与之对应的内容。应用示例如下:
#coding:utf8
html_doc = """
<html><head><title>"c语言中文网"</title></head>
<body>
<p class="title"><b>task.lmcjl.com</b></p>
<p class="website">一个学习编程的网站</p>
<a href="http://task.lmcjl.com/python/" id="link1">python教程</a>
<a href="http://task.lmcjl.com/c/" id="link2">c语言教程</a>
<a href="http://task.lmcjl.com/django/" id="link3">django教程</a>
<p class="vip">加入我们阅读所有教程</p>
<a href="http://vip.lmcjl.com/?from=index" id="link4">成为vip</a>
<p class="introduce">介绍:
<a href="http://task.lmcjl.com/view/8066.html" id="link5">关于网站</a>
<a href="http://task.lmcjl.com/view/8092.html" id="link6">关于站长</a>
</p>
"""
from bs4 import BeautifulSoup

soup = BeautifulSoup(html_doc, 'html.parser')
#根据元素标签查找
print(soup.select('title'))
#根据属性选择器查找
print(soup.select('a[href]'))
#根据类查找
print(soup.select('.vip'))
#后代节点查找
print(soup.select('html head title'))
#查找兄弟节点
print(soup.select('p + a'))
#根据id选择p标签的兄弟节点
print(soup.select('p ~ #link3'))
#nth-of-type(n)选择器,用于匹配同类型中的第n个同级兄弟元素
print(soup.select('p ~ a:nth-of-type(1)'))
#查找子节点
print(soup.select('p > a'))
print(soup.select('.introduce > #link5'))
输出结果:
第一个输出:
[<title>"c语言中文网"</title>]

第二个输出:
[<a href="http://task.lmcjl.com/python/" id="link1">python教程</a>, <a href="http://task.lmcjl.com/c/" id="link2">c语言教程</a>, <a href="http://task.lmcjl.com/django/" id="link3">django教程</a>, <a href="http://vip.lmcjl.com/?from=index" id="link4">成为vip</a>, <a href="http://task.lmcjl.com/view/8066.html" id="link5">关于网站</a>, <a href="http://task.lmcjl.com/view/8092.html" id="link6">关于站长</a>]

第三个输出:
[<p class="vip">加入我们阅读所有教程</p>]

第四个输出:
[<title>"c语言中文网"</title>]

第五个输出:
[<a href="http://task.lmcjl.com/python/" id="link1">python教程</a>, <a href="http://vip.lmcjl.com/?from=index" id="link4">成为vip</a>]

第六个输出:
[<a href="http://task.lmcjl.com/django/" id="link3">django教程</a>]

第七个输出:
[<a href="http://task.lmcjl.com/python/" id="link1">python教程</a>]

第八个输出:
[<a href="http://task.lmcjl.com/view/8066.html" id="link5">关于网站</a>, <a href="http://task.lmcjl.com/view/8092.html" id="link6">关于站长</a>]

最后的print输出:
[<a href="http://task.lmcjl.com/view/8066.html" id="link5">关于网站</a>]
如果想了解更多关于 BS4 库的使用方法,可以参考官方文档:https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/#

本文链接:http://task.lmcjl.com/news/18169.html

展开阅读全文