BeautifulSoup 使用经验总结

文章目录

BeautifulSoup 使用经验总结
- 概述
- - 安装
  - 开始使用
- 经验总结
- - 节点对象、名称、属性
  - 节点的文本内容
  - 子节点
  - 父节点
  - 兄弟节点
  - 搜索节点
  - 使用正则表达式匹配标签名
  - 使用属性搜索
  - 使用CSS搜索
  - 使用文本内容搜索
  - 使用函数筛选

概述

处理数据，总要面对 HTML 和 XML 文档。BeautifulSoup 是一个可以从 HTML 或 XML 中提取数据的 Python 库，功能强大、使用便捷，诚为朴实有华、人见人爱的数据处理工具。

安装

自从有了 pip 这个神器，安装就不再是问题了。BeautifulSoup 支持 Python 标准库中的 HTML 解析器，也支持其他解析器。我建议使用更牛叉的第三方解析器 lxml——我曾经用它处理过单个文件几百兆字节的xml数据，反应神速，毫无迟滞感。当然，使用系统已有的解析器，除了速度和效率，基本也不会有啥问题。

$ pip install beautifulsoup4
$ pip install lxml

开始使用

>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup("<html>data</html>", "html.parser")  # 使用python内置标准库，速度适中，容错性好
>>> soup = BeautifulSoup("<html>data</html>", "html5lib")     # 以浏览器的方式解析文档，容错性最好
>>> soup = BeautifulSoup("<html>data</html>", ["lxml-xml"])   # lxml XML 解析器，速度快
>>> soup = BeautifulSoup("<html>data</html>", "lxml")         # lxml HTML 解析器，速度快，容错性好

如果没有指定解析器，BeautifulSoup 会自动查找使用系统可用的解析器。

经验总结

所有的例子，均以下面的html为例。

html_doc = """<html><div id="My gift"><p class="intro short-text" align="left">One</p><p class="intro short-text" align="center">Two</p><p class="intro short-text" align="right">Three</p></div><img class="photo" src="demo.jpg"><div class="photo"><a href="sdysit.com"><img src="logo.png"></a><p class="subject">山东远思信息科技有限公司</p></div></html>
"""

文本也是节点，我们称之为文本型节点，比如p标签中的One，Two，Three
某个节点的子节点往往比我们看到的多，因为在那些可见的子节点之外的换行、空格、制表位等，也都是某节点的文本型子节点

节点对象、名称、属性

使用lxml解析器生成一个 BeautifulSoup 对象 soup，然后可以使用标签名得到节点对象：

>>> soup = BeautifulSoup(html_doc, 'lxml')
>>> tag = soup.html
>>> tag.name
'html'
>>> tag.p.name
'p'

事实上，我们可以不用在意标签的父级是谁，直接从soup得到节点对象：

>>> soup.p.name
'p'
>>> soup.img['src']
'demo.jpg'
>>> soup.img.attrs
{'class': ['photo'], 'src': 'demo.jpg'}
>>> soup.p['class']
['intro', 'short-text']
>>> soup.div['id']
'My gift'

很显然，这样的方式得到的节点，一定是html中第一个同类型的标签。上面的例子还演示了如何取得节点对象的所有的属性和指定属性。当class属性有多个值时，返回的是一个列表，而id属性不承认多值。

节点的文本内容

取得一个节点的文本内容，有很多种方法，比如：

>>> soup.p.text
'One'
>>> soup.p.getText()
'One'
>>> soup.p.get_text()
'One'
>>> soup.p.string
'One'
>>> type(soup.p.string)
<class 'bs4.element.NavigableString'>

当一个节点只有文本型子节点的时候，前三种方法的效果是完全一致的，第四种方法看上去差不多，但返回的类型是NavigableString（可遍历的字符串）。

当节点包括元素型子节点的时候，输出的结果可能已经不是我们需要的了。此时，可以使用 .strings 或者 .stripped_strings（去掉空行和多余的空格）得到一个迭代器，遍历即可得到我们想要的内容。

>>> soup.div.text
'\nOne\nTwo\nThree\n'
>>> soup.html.text
'\n\nOne\nTwo\nThree\n\n\n\n\n山东远思信息科技有限公司\n\n'
>>> for item in soup.div.stripped_strings:print(item)One
Two
Three

子节点

.contents， .children，.descendants 都可以取得节点的子节点，但用法各不相同：

.contents， .children 只能取得直接子节点，.descendants 则可以递归取得所有子节点
.contents 返回的子节点的列表，.children，.descendants 返回的是迭代器

父节点

.parent 属性来获取某个元素的父节点：

>>> soup.p.parent.name
'div'

.parents 属性可以递归得到元素的所有父辈节点：

>>> for parent in soup.p.parents:print(parent.name)div
body
html
[document]

兄弟节点

可以使用 .next_sibling 和 .previous_sibling 属性来查询前一个或后一个兄弟节点，但必须注意，除了可见的兄弟节点，还可能存在换行、空格、制表位等文本型的兄弟节点混杂其中。

可以使用 .next_siblings 和 .previous_siblings 属性取得当前节点的前面或后面的兄弟节点的迭代输出。

搜索节点

一般使用 find() 和 find_all() 搜索符合条件的第一个节点和全部节点的列表。

>>> soup.find('p')
<p align="left" class="intro short-text">One</p>
>>> soup.find_all('img')
[<img class="photo" src="demo.jpg"/>, <img src="logo.png"/>]

使用正则表达式匹配标签名

搜索以d开头的标签：

>>> import re
>>> for tag in soup.find_all(re.compile("^d")):print(tag.name)div
div

使用属性搜索

>>> soup.find_all(id='My gift')[0].name # 查找id=My gift的节点
'div'
>>> soup.find_all(id=True)[0].name # 查找有id属性的节点
'div'
>>> soup.find_all(attrs={"id":"My gift"})[0].name # 使用attrs查找
'div'
>>> soup.find_all(attrs={"class":"intro short-text","align":"right"})[0].text # 使用attrs查找
'Three'
>>> soup.find_all(attrs={"align":"right"})[0].text # 使用attrs查找
'Three'

使用CSS搜索

>>> soup.find_all("p", class_="intro")
[<p align="left" class="intro short-text">One</p>, <p align="center" class="intro short-text">Two</p>, <p align="right" class="intro short-text">Three</p>]
>>> soup.find_all("p", class_="intro short-text")
[<p align="left" class="intro short-text">One</p>, <p align="center" class="intro short-text">Two</p>, <p align="right" class="intro short-text">Three</p>]
>>>

使用文本内容搜索

>>> soup.find_all(string="Two")
['Two']
>>> soup.find_all(string=re.compile("Th"))
['Three']

使用函数筛选

>>> def justdoit(tag):return tag.parent.has_attr('id') and tag['align']=='center'>>> soup.find_all(justdoit)
[<p align="center" class="intro short-text">Two</p>]