python3解析库BeautifulSoup4

Beautiful Soup是python的一个HTML或XML的解析库，我们可以用它来方便的从网页中提取数据，它拥有强大的API和多样的解析方式。

Beautiful Soup的三个特点：

Beautiful Soup提供一些简单的方法和python式函数，用于浏览，搜索和修改解析树，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

Beautiful Soup自动将转入稳定转换为Unicode编码，输出文档转换为UTF-8编码，不需要考虑编码，除非文档没有指定编码方式，这时只需要指定原始编码即可

Beautiful Soup位于流行的Python解析器（如lxml和html5lib）之上，允许您尝试不同的解析策略或交易速度以获得灵活性。

1、Beautiful Soup4的安装配置

Beautiful Soup4通过PyPi发布，所以可以通过系统管理包工具安装，包名字为beautifulsoup4

$easy_install beautifulsoup4

或者

$pip install beautifulsoup4

也可用通过下载源码包来安装：

#wget https://www.crummy.com/software/BeautifulSoup/bs4/download/4.0/beautifulsoup4-4.1.0.tar.gz#tar xf beautifulsoup4-4.1.0.tar.gz#cd beautifulsoup4#python setup.py install

Beautiful Soup在解析时实际上是依赖解析器的，它除了支持python标准库中的HTML解析器外还支持第三方解析器如lxml

Beautiful Soup支持的解析器,以及它们的优缺点:

解析器使用方法优势劣势

Python标准库BeautifulSoup(markup,"html.parser")Python的内置标准库

执行速度适中

文档容错能力强

Python 2.7.3 or 3.2.2)前的版本中文档容错能力差

lxml HTML 解析器BeautifulSoup(markup,"lxml")速度快

文档容错能力强

需要安装C语言库

lxml XML 解析器BeautifulSoup(markup,["lxml","xml"])

BeautifulSoup(markup,"xml")

速度快

唯一支持XML的解析器

需要安装C语言库

html5libBeautifulSoup(markup,"html5lib")最好的容错性

以浏览器的方式解析文档

生成HTML5格式的文档

速度慢

不依赖外部扩展

安装解析器：

$pip install lxml

$pip install html5lib

推荐使用lxml作为解析器,因为效率更高. 在Python2.7.3之前的版本和Python3中3.2.2之前的版本,必须安装lxml或html5lib, 因为那些Python版本的标准库中内置的HTML解析方法不够稳定

2、BeautifulSoup的基本用法

通过传入一段字符或一个文件句柄，BeautifulSoup的构造方法就能得到一个文档的对象，选择合适的解析器来解析文档，如手动指定将选择指定的解析器来解析文档,Beautiful Soup将复杂的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

注意：BeautifulSoup版本4的包是在bs4中引入的

frombs4importBeautifulSoup#下面代码示例都是用此文档测试html_doc="""<html><head><title>The Dormouse's story</title></head>

<body>

The Dormouse's 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.

..."""markup=""soup=BeautifulSoup(html_doc,"lxml")

soup1=BeautifulSoup(markup,"lxml")

tag=soup.a

navstr=tag.string

comment=soup1.b.stringprint(type(tag))#Tag标签对象print(type(comment))#Comment对象包含文档注释内容print(type(navstr))#NavigableString对象包装字符串内容print(type(soup))#BeautifulSoup对象为文档的全部内容#

（1）节点选择器(tag)

直接调用节点的名称就可以选择节点元素，节点可以嵌套选择返回的类型都是bs4.element.Tag对象

soup=BeautifulSoup(html_doc,'lxml')print(soup.head)#获取head标签print(soup.p.b)#获取p节点下的b节点print(soup.a.string)#获取a标签下的文本，只获取第一个

name属性获取节点名称：

soup.body.name

attrs属性获取节点属性，也可以字典的形式直接获取，返回的结果可能是列表或字符串类型，取决于节点类型

soup.p.attrs#获取p节点所有属性soup.p.attrs['class']#获取p节点class属性soup.p['class']#直接获取p节点class属性

string属性获取节点元素包含的文本内容：

soup.p.string#获取第一个p节点下的文本内容

contents属性获取节点的直接子节点，以列表的形式返回内容

soup.body.contents#是直接子节点，不包括子孙节点

children属性获取的也是节点的直接子节点，只是以生成器的类型返回

soup.body.children

descendants属性获取子孙节点，返回生成器

soup.body.descendants

parent属性获取父节点，parents获取祖先节点，返回生成器

soup.b.parent

soup.b.parents

next_sibling属性返回下一个兄弟节点，previous_sibling返回上一个兄弟节点,注意换行符也是一个节点，所以有时候在获取兄弟节点是通常是字符串或者空白

soup.a.next_sibling

soup.a.previous_sibling

next_siblings和previous_sibling分别返回前面和后面的所有兄弟节点，返回生成器

soup.a.next_siblings

soup.a.previous_siblings

next_element和previous_element属性获取下一个被解析的对象，或者上一个

soup.a.next_element

soup.a.previous_element

next_elements和previous_elements迭代器向前或者后访问文档解析内容

soup.a.next_elements

soup.a.previous_elements

（2）方法选择器

前面使用的都是通过节点属性来选择的，这种方法非常快，但在进行比较复杂的选择时就不够灵活，幸好Beautiful Soup还为我们提供了一些查询方法，如fang_all()和find()等

find_all(name,attrs,recursive,text,**kwargs)：查询所有符合条件的元素，其中的参数

name表示可以查找所有名字为name的标签(tag)，也可以是过滤器，正则表达式，列表或者是True

attrs表示传入的属性，可以通过attrs参数以字典的形式指定如常用属性id,attrs={'id':'123'}，由于class属性是python中的关键字，所有在查询时需要在class后面加上下划线即class_='element'，返回的结果是tag类型的列表

text参数用来匹配节点的文本，传入的形式可以是字符串也可以是正则表达式对象

recursive表示，如果只想搜索直接子节点可以将参数设为false：recursive=Flase

limit参数，可以用来限制返回结果的数量，与SQL中的limit关键字类似

import refrombs4import BeautifulSoup

html_doc ="""#下面示例都是用此文本内容测试<html><head><title>The Dormouse's story</title></head>

<body>

The Dormouse's 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>

ddd

<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.

...

中文"""soup=BeautifulSoup(html_doc,'lxml')print(type(soup))print(soup.find_all('span'))#标签查找print(soup.find_all('a',id='link1'))#属性加标签过滤print(soup.find_all('a',attrs={'class':'sister','id':'link3'}))#多属性print(soup.find_all('p',class_='title'))#class特殊性,此次传入的参数是**kwargsprint(soup.find_all(text=re.compile('Tillie')))#文本过滤print(soup.find_all('a',limit=2))#限制输出数量#[中文]

[Elsie]

[Tillie]

[The Dormouse's story]['Tillie']

[Elsie, Lacie]

find( name , attrs , recursive , text , **kwargs )：它返回的是单个元素，也就是第一个匹配的元素，类型依然是tag类型

参数同find_all()一样

另外还有许多查询方法，其用法和前面介绍的find_all()方法完全相同，只不过查询范围不同，参数也一样

find_parents(name , attrs , recursive , text , **kwargs )和find_parent(name , attrs , recursive , text , **kwargs )：前者返回所有祖先节点，后者返回直接父节点

find_next_siblings(name , attrs , recursive , text , **kwargs )和find_next_sibling(name , attrs , recursive , text , **kwargs )：对当前tag后面的节点进行迭代，前者返回后面的所有兄弟节点，后者返回后面第一个兄弟节点

find_previous_siblings(name , attrs , recursive , text , **kwargs )和find_previous_sibling(name , attrs , recursive , text , **kwargs )：对当前tag前面的节点进行迭代，前者返回前面的所有兄弟节点，后者返回前面的第一个兄弟节点

find_all_next(name , attrs , recursive , text , **kwargs )和find_next(name , attrs , recursive , text , **kwargs )：对当前tag之后的tag和字符串进行迭代，前者返回所有符合条件的节点，后者返回第一个符合条件的节点

find_all_previous()和find_previous()：对当前tag之前的tag和字符串进行迭代，前者返回节点后所有符合条件的节点，后者返回第一个符合条件的节点

（3）CSS选择器

Beautiful Soup还提供了CSS选择器，如果多CSS选择器不熟悉可以参考下http://www.w3school.com.cn/cssref/css_selectors.asp

在 Tag 或 BeautifulSoup 对象的 .select()方法中传入字符串参数,即可使用CSS选择器的语法找到tag:

In [10]: soup.select('title')

Out[10]: [The Dormouse's story</title>]

通过tag标签逐层查找：

In [12]: soup.select('body a')

Out[12]:

[Elsie,

Lacie,

Tillie]

查找某个tag标签下的直接子标签：

In [13]: soup.select('head > title')

Out[13]: [The Dormouse's story</title>]

查找兄弟节点标签：

In [14]: soup.select('#link1 ~ .sister')

Out[14]:

[Lacie,

Tillie]

通过CSS类名查找：

In [15]: soup.select('.title')

Out[15]: [The Dormouse's story]In [16]: soup.select('[class~=title]')

Out[16]: [The Dormouse's story]

通过tag的id查找：

In [17]: soup.select('#link1')

Out[17]: [Elsie]

In [18]: soup.select('a#link2')

Out[18]: [Lacie]

通过是否存在某个属性来查找：

In [20]: soup.select('a[href]')

Out[20]:

[Elsie,

Lacie,

Tillie]

通过属性的值来查找匹配：

In [22]: soup.select('a[href="http://example.com/elsie"]')

Out[22]: [Elsie]

In [23]: soup.select('a[href^="http://example.com/"]')#匹配值的开头Out[23]:

[Elsie,

Lacie,

Tillie]

In [24]: soup.select('a[href$="tillie"]')#匹配值的结尾Out[24]: [Tillie]

In [25]: soup.select('a[href*=".com/el"]')#模糊匹配Out[25]: [Elsie]

tag节点查找，方法选择器查找和CSS选择器查找三种方法的实现方式基本相似，tag相对于其他两种所有最快速的查找方式，但方法选择器提供更便利更复杂的查找方式，使用更如有上手。

（4）tag修改方法

Beautiful Soup的强项是文档的搜索功能，修改功能使用场景不是很多只做简单介绍，要了解更多修改方法请前往Beautiful Soup官方文档查看。

Beautiful Soup可以实现改变tag标志的属性的值，添加或删除属性和内容，下面介绍一些常用的方法

In [26]: markup='<a href="http://www.baidu.com/">baidu</a>'In [28]: soup=BeautifulSoup(markup,'lxml')

In [29]: soup.a.string='百度'In [30]: soup.a

Out[30]: 百度#如果a节点下包括子也将被覆盖掉

Tag.append() 方法想tag中添加内容,就好像Python的列表的 .append() 方法:

In [30]: soup.a

Out[30]: 百度In [31]: soup.a.append('一下')

In [32]: soup.a

Out[32]: 百度一下

new_tag()方法用于创建一个tag标签

In [33]: soup=BeautifulSoup('','lxml')

In [34]: new_tag=soup.new_tag('a',href="http://www.python.org")#创建tag,第一个参数必须为tag的名称In [35]: soup.b.append(new_tag)#添加到b节点下In [36]: new_tag.string='python'#为tag设置值In [37]: soup.b

Out[37]: python

其他方法：

insert()将元素插入到指定的位置

inert_before()在当前tag或文本节点前插入内容

insert_after()在当前tag或文本节点后插入内容

clear()移除当前tag的内容

extract()将当前tag移除文档数，并作为方法结果返回

prettify()将Beautiful Soup的文档数格式化后以Unicode编码输出，tag节点也可以调用

get_text()输出tag中包含的文本内容，包括子孙tag中的内容

soup.original_encoding 属性记录了自动识别的编码结果

from_encoding:参数在创建BeautifulSoup对象是可以用来指定编码，减少猜测编码的运行速度

#解析部分文档，可以使用SoupStrainer类来创建一个内容过滤器，它接受同搜索方法相同的参数

frombs4import BeautifulSoup,SoupStrainer

html_doc ="""<html><head><title>The Dormouse's story</title></head>

<body>

The Dormouse's 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>

ddd

<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.

...

中文"""only_a_tags = SoupStrainer('a')#顾虑器soup=BeautifulSoup(html_doc,'lxml',parse_only=only_a_tags)print(soup.prettify())# Elsie Lacie Tillie

#Beautiful Soup异常处理：

HTMLParser.HTMLParseError：malformed start tag

HTMLParser.HTMLParseError：bad end tag 这个两个异常都是解析器引起的，解决方法是安装lxml或者html5lib

官方文档：https://www.crummy.com/software/BeautifulSoup/bs4/doc/

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

PyPI：https://pypi.org/project/beautifulsoup4/

参考文献：https://www.cnblogs.com/zhangxinqi/p/9218395.html