请选择 进入手机版 | 继续访问电脑版
用户
 找回密码
 立即注册

QQ登录

只需一步,快速开始

扫一扫,访问微社区

搜索
查看: 38|回复: 0

Python爬虫入门(8):Beautiful Soup的用法

[复制链接]

900

主题

903

帖子

3802

积分

管理员

Rank: 9Rank: 9Rank: 9

积分
3802
发表于 2017-12-28 18:18:45 | 显示全部楼层 |阅读模式
上一节我们介绍了正则表达式,它的内容其实还是蛮多的,如果一个正则匹配稍有差池,那可能程序就处在永久的循环之中,而且有的小伙伴们也对写正则表 达式的写法用得不熟练,没关系,我们还有一个更强大的工具,叫Beautiful Soup,有了它我们可以很方便地提取出HTML或XML标签中的内容,实在是方便,这一节就让我们一起来感受一下Beautiful Soup的强大吧。
1. Beautiful Soup的简介
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。
Beautiful Soup自动将输入文档转换为Unicode编码,输出文档转换为utf-8编码。你不需要考虑编码方式,除非文档没有指定一个编码方式,这时,Beautiful Soup就不能自动识别编码方式了。然后,你仅仅需要说明一下原始编码方式就可以了。
Beautiful Soup已成为和lxml、html6lib一样出色的python解释器,为用户灵活地提供不同的解析策略或强劲的速度。
废话不多说,我们来试一下吧~
2. Beautiful Soup 安装
Beautiful Soup 3 目前已经停止开发,推荐在现在的项目中使用Beautiful Soup 4,不过它已经被移植到BS4了,也就是说导入时我们需要 import bs4 。所以这里我们用的版本是 Beautiful Soup 4.3.2 (简称BS4),另外据说 BS4 对 Python3 的支持不够好,不过我用的是 Python2.7.7,如果有小伙伴用的是 Python3 版本,可以考虑下载 BS3 版本。
如果你用的是新版的Debain或Ubuntu,那么可以通过系统的软件包管理来安装,不过它不是最新版本,目前是4.2.1版本
  1. apt-get install Python-bs4
复制代码
如果想安装最新的版本,请直接下载安装包来手动安装,也是十分方便的方法。在这里我安装的是 Beautiful Soup 4.3.2
下载完成之后解压
运行下面的命令即可完成安装
  1. sudo python setup.py install
复制代码
如下图所示,证明安装成功了
然后需要安装 lxml
  1. apt-get install Python-lxml
复制代码

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。
3. 开启Beautiful Soup 之旅
在这里先分享官方文档链接,不过内容是有些多,也不够条理,在此本文章做一下整理方便大家参考。
4. 创建 Beautiful Soup 对象
首先必须要导入 bs4 库
  1. from bs4 import BeautifulSoup
复制代码
我们创建一个字符串,后面的例子我们便会用它来演示
  1. html = """
  2. <html><head><title>The Dormouse's story</title></head>
  3. <body>
  4. <p class="title" name="dromouse"><b>The Dormouse's story</b></p>
  5. <p class="story">Once upon a time there were three little sisters; and their names were
  6. <a href="http://example.com/elsie" class="sister" id="link1"><!-- Elsie --></a>,
  7. <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
  8. <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
  9. and they lived at the bottom of a well.</p>
  10. <p class="story">...</p>
  11. """
复制代码
创建 beautifulsoup 对象
  1. soup = BeautifulSoup(html)
复制代码
另外,我们还可以用本地 HTML 文件来创建对象,例如
  1. soup = BeautifulSoup(open('index.html'))
复制代码
上面这句代码便是将本地 index.html 文件打开,用它来创建 soup 对象
下面我们来打印一下 soup 对象的内容,格式化输出
  1. print soup.prettify()
复制代码
  1. <html>
  2. <head>
  3.   <title>
  4.    The Dormouse's story
  5.   </title>
  6. </head>
  7. <body>
  8.   <p class="title" name="dromouse">
  9.    <b>
  10.     The Dormouse's story
  11.    </b>
  12.   </p>
  13.   <p class="story">
  14.    Once upon a time there were three little sisters; and their names were
  15.    <a class="sister" href="http://example.com/elsie" id="link1">
  16.     <!-- Elsie -->
  17.    </a>
  18.    ,
  19.    <a class="sister" href="http://example.com/lacie" id="link2">
  20.     Lacie
  21.    </a>
  22.    and
  23.    <a class="sister" href="http://example.com/tillie" id="link3">
  24.     Tillie
  25.    </a>
  26.    ;
  27. and they lived at the bottom of a well.
  28.   </p>
  29.   <p class="story">
  30.    ...
  31.   </p>
  32. </body>
  33. </html>
复制代码

以上便是输出结果,格式化打印出了它的内容,这个函数经常用到,小伙伴们要记好咯。
5. 四大对象种类
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
下面我们进行一一介绍
(1)Tag
Tag 是什么?通俗点讲就是 HTML 中的一个个标签,例如
  1.        
  2. <title>The Dormouse's story</title>
复制代码
  1. <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
复制代码
上面的 title a 等等 HTML 标签加上里面包括的内容就是 Tag,下面我们来感受一下怎样用 Beautiful Soup 来方便地获取 Tags
下面每一段代码中注释部分即为运行结果
  1. print soup.title
  2. #<title>The Dormouse's story</title>

  3. print soup.head
  4. #<head><title>The Dormouse's story</title></head>
  5. print soup.a
  6. #<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
  7. print soup.p
  8. #<p class="title" name="dromouse"><b>The Dormouse's story</b></p>
复制代码
我们可以利用 soup加标签名轻松地获取这些标签的内容,是不是感觉比正则表达式方便多了?不过有一点是,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,我们在后面进行介绍。
我们可以验证一下这些对象的类型
  1. print type(soup.a)
  2. #<class 'bs4.element.Tag'>
复制代码
对于 Tag,它有两个重要的属性,是 name 和 attrs,下面我们分别来感受一下
name
  1. print soup.name
  2. print soup.head.name
  3. #[document]
  4. #head
复制代码
soup 对象本身比较特殊,它的 name 即为 [document],对于其他内部标签,输出的值便为标签本身的名称。

attrs
  1. print soup.p.attrs
  2. #{'class': ['title'], 'name': 'dromouse'}
复制代码
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。

如果我们想要单独获取某个属性,可以这样,例如我们获取它的 class 叫什么
  1. print soup.p['class']
  2. #['title']
复制代码
还可以这样,利用get方法,传入属性的名称,二者是等价的
  1. print soup.p.get('class')
  2. #['title']
复制代码
我们可以对这些属性和内容等等进行修改,例如
  1. soup.p['class']="newClass"
  2. print soup.p
  3. #<p class="newClass" name="dromouse"><b>The Dormouse's story</b></p>
复制代码
还可以对这个属性进行删除,例如
  1. del soup.p['class']
  2. print soup.p
  3. #<p name="dromouse"><b>The Dormouse's story</b></p>
复制代码
不过,对于修改删除的操作,不是我们的主要用途,在此不做详细介绍了,如果有需要,请查看前面提供的官方文档
(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
  1. print soup.p.string
  2. #The Dormouse's story
复制代码
这样我们就轻松获取到了标签里面的内容,想想如果用正则表达式要多麻烦。它的类型是一个 NavigableString,翻译过来叫 可以遍历的字符串,不过我们最好还是称它英文名字吧
  1. print type(soup.p.string)
  2. #<class 'bs4.element.NavigableString'>
复制代码
来检查一下它的类型
  1. print type(soup.p.string)
  2. #<class 'bs4.element.NavigableString'>
复制代码
(3)BeautifulSoup
BeautifulSoup 对象表示的是一个文档的全部内容.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
  1. print type(soup.name)
  2. #<type 'unicode'>
  3. print soup.name
  4. # [document]
  5. print soup.attrs
  6. #{} 空字典
复制代码
(4)Comment
Comment 对象是一个特殊类型的 NavigableString 对象,其实输出的内容仍然不包括注释符号,但是如果不好好处理它,可能会对我们的文本处理造成意想不到的麻烦。
我们找一个带注释的标签
  1. print soup.a
  2. print soup.a.string
  3. print type(soup.a.string)
复制代码
运行结果如下
  1. <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
  2. Elsie
  3. <class 'bs4.element.Comment'>
复制代码
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,我们发现它已经把注释符号去掉了,所以这可能会给我们带来不必要的麻烦。
另外我们打印输出下它的类型,发现它是一个 Comment 类型,所以,我们在使用前最好做一下判断,判断代码如下
  1. if type(soup.a.string)==bs4.element.Comment:
  2.     print soup.a.string
复制代码
上面的代码中,我们首先判断了它的类型,是否为 Comment 类型,然后再进行其他操作,如打印输出。
6. 遍历文档树(1)直接子节点
要点:.contents .children 属性
.contents
tag 的 .content 属性可以将tag的子节点以列表的方式输出
  1. print soup.head.contents
  2. #[<title>The Dormouse's story</title>]
复制代码
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
  1. print soup.head.contents[0]
  2. #<title>The Dormouse's story</title>
复制代码
.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
  1. print soup.head.children
  2. #<listiterator object at 0x7f71457f5710>
复制代码
我们怎样获得里面的内容呢?很简单,遍历一下就好了,代码及结果如下
  1. for child in  soup.body.children:
  2.     print child
复制代码

  1. <p class="title" name="dromouse"><b>The Dormouse's story</b></p>

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

  7. <p class="story">...</p>
复制代码







伯乐在线 > Python - 伯乐在线 > 所有文章 > 实践项目 > Python爬虫入门(8):Beautiful Soup的用法


Python爬虫入门(8):Beautiful Soup的用法
分享到:[url=][/url][url=][/url][url=][/url][url=][/url][url=][/url][url=][/url][url=][/url][url=]
26
[/url]


本文作者: 伯乐在线 - 崔庆才 。未经作者许可,禁止转载!
欢迎加入伯乐在线 专栏作者

上一节我们介绍了正则表达式,它的内容其实还是蛮多的,如果一个正则匹配稍有差池,那可能程序就处在永久的循环之中,而且有的小伙伴们也对写正则表 达式的写法用得不熟练,没关系,我们还有一个更强大的工具,叫Beautiful Soup,有了它我们可以很方便地提取出HTML或XML标签中的内容,实在是方便,这一节就让我们一起来感受一下Beautiful Soup的强大吧。
1. Beautiful Soup的简介
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。
Beautiful Soup自动将输入文档转换为Unicode编码,输出文档转换为utf-8编码。你不需要考虑编码方式,除非文档没有指定一个编码方式,这时,Beautiful Soup就不能自动识别编码方式了。然后,你仅仅需要说明一下原始编码方式就可以了。
Beautiful Soup已成为和lxml、html6lib一样出色的python解释器,为用户灵活地提供不同的解析策略或强劲的速度。
废话不多说,我们来试一下吧~
2. Beautiful Soup 安装
Beautiful Soup 3 目前已经停止开发,推荐在现在的项目中使用Beautiful Soup 4,不过它已经被移植到BS4了,也就是说导入时我们需要 import bs4 。所以这里我们用的版本是 Beautiful Soup 4.3.2 (简称BS4),另外据说 BS4 对 Python3 的支持不够好,不过我用的是 Python2.7.7,如果有小伙伴用的是 Python3 版本,可以考虑下载 BS3 版本。
如果你用的是新版的Debain或Ubuntu,那么可以通过系统的软件包管理来安装,不过它不是最新版本,目前是4.2.1版本
[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]










[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1


[color=teal !important]sudo [color=rgb(0, 45, 122) !important]apt[color=rgb(0, 111, 224) !important]-[color=teal !important]get [color=teal !important]install [color=rgb(0, 45, 122) !important]Python[color=rgb(0, 111, 224) !important]-[color=rgb(0, 45, 122) !important]bs4



如果想安装最新的版本,请直接下载安装包来手动安装,也是十分方便的方法。在这里我安装的是 Beautiful Soup 4.3.2
下载完成之后解压
运行下面的命令即可完成安装
[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]









[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1


[color=teal !important]sudo [color=teal !important]python [color=rgb(0, 45, 122) !important]setup[color=rgb(51, 51, 51) !important].[color=teal !important]py [color=rgb(0, 45, 122) !important]install



如下图所示,证明安装成功了
然后需要安装 lxml
[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]









[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1


[color=teal !important]sudo [color=rgb(0, 45, 122) !important]apt[color=rgb(0, 111, 224) !important]-[color=teal !important]get [color=teal !important]install [color=rgb(0, 45, 122) !important]Python[color=rgb(0, 111, 224) !important]-[color=rgb(0, 45, 122) !important]lxml



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。
3. 开启Beautiful Soup 之旅
在这里先分享官方文档链接,不过内容是有些多,也不够条理,在此本文章做一下整理方便大家参考。
4. 创建 Beautiful Soup 对象
首先必须要导入 bs4 库
[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]









[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1


from[color=rgb(0, 111, 224) !important] [color=teal !important]bs4 import[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]BeautifulSoup



我们创建一个字符串,后面的例子我们便会用它来演示
[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]











[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1

[color=rgb(170, 170, 170) !important]2

[color=rgb(170, 170, 170) !important]3

[color=rgb(170, 170, 170) !important]4

[color=rgb(170, 170, 170) !important]5

[color=rgb(170, 170, 170) !important]6

[color=rgb(170, 170, 170) !important]7

[color=rgb(170, 170, 170) !important]8

[color=rgb(170, 170, 170) !important]9

[color=rgb(170, 170, 170) !important]10

[color=rgb(170, 170, 170) !important]11


[color=rgb(0, 45, 122) !important]html[color=rgb(0, 111, 224) !important] [color=rgb(0, 111, 224) !important]=[color=rgb(0, 111, 224) !important] [color=rgb(221, 17, 68) !important]"""
[color=rgb(221, 17, 68) !important]<html><head><title>The Dormouse's story</title></head>
[color=rgb(221, 17, 68) !important]<body>
[color=rgb(221, 17, 68) !important]<p class="title" name="dromouse"><b>The Dormouse's story</b></p>
[color=rgb(221, 17, 68) !important]<p class="story">Once upon a time there were three little sisters; and their names were
[color=rgb(221, 17, 68) !important]<a href="http://example.com/elsie" class="sister" id="link1"><!-- Elsie --></a>,
[color=rgb(221, 17, 68) !important]<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
[color=rgb(221, 17, 68) !important]<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
[color=rgb(221, 17, 68) !important]and they lived at the bottom of a well.</p>
[color=rgb(221, 17, 68) !important]<p class="story">...</p>
[color=rgb(221, 17, 68) !important]"""



创建 beautifulsoup 对象
[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]









[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1


[color=rgb(0, 45, 122) !important]soup[color=rgb(0, 111, 224) !important] [color=rgb(0, 111, 224) !important]=[color=rgb(0, 111, 224) !important] [color=teal !important]BeautifulSoup[color=rgb(51, 51, 51) !important]([color=rgb(0, 45, 122) !important]html[color=rgb(51, 51, 51) !important])



另外,我们还可以用本地 HTML 文件来创建对象,例如
[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]









[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1


[color=rgb(0, 45, 122) !important]soup[color=rgb(0, 111, 224) !important] [color=rgb(0, 111, 224) !important]=[color=rgb(0, 111, 224) !important] [color=teal !important]BeautifulSoup[color=rgb(51, 51, 51) !important]([color=teal !important]open[color=rgb(51, 51, 51) !important]([color=rgb(221, 17, 68) !important]'index.html'[color=rgb(51, 51, 51) !important])[color=rgb(51, 51, 51) !important])



上面这句代码便是将本地 index.html 文件打开,用它来创建 soup 对象
下面我们来打印一下 soup 对象的内容,格式化输出
[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]









[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1


[color=teal !important]print[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=teal !important]prettify[color=rgb(51, 51, 51) !important]([color=rgb(51, 51, 51) !important])




[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]











[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1

[color=rgb(170, 170, 170) !important]2

[color=rgb(170, 170, 170) !important]3

[color=rgb(170, 170, 170) !important]4

[color=rgb(170, 170, 170) !important]5

[color=rgb(170, 170, 170) !important]6

[color=rgb(170, 170, 170) !important]7

[color=rgb(170, 170, 170) !important]8

[color=rgb(170, 170, 170) !important]9

[color=rgb(170, 170, 170) !important]10

[color=rgb(170, 170, 170) !important]11

[color=rgb(170, 170, 170) !important]12

[color=rgb(170, 170, 170) !important]13

[color=rgb(170, 170, 170) !important]14

[color=rgb(170, 170, 170) !important]15

[color=rgb(170, 170, 170) !important]16

[color=rgb(170, 170, 170) !important]17

[color=rgb(170, 170, 170) !important]18

[color=rgb(170, 170, 170) !important]19

[color=rgb(170, 170, 170) !important]20

[color=rgb(170, 170, 170) !important]21

[color=rgb(170, 170, 170) !important]22

[color=rgb(170, 170, 170) !important]23

[color=rgb(170, 170, 170) !important]24

[color=rgb(170, 170, 170) !important]25

[color=rgb(170, 170, 170) !important]26

[color=rgb(170, 170, 170) !important]27

[color=rgb(170, 170, 170) !important]28

[color=rgb(170, 170, 170) !important]29

[color=rgb(170, 170, 170) !important]30

[color=rgb(170, 170, 170) !important]31

[color=rgb(170, 170, 170) !important]32

[color=rgb(170, 170, 170) !important]33


[color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]lt[color=rgb(51, 51, 51) !important];[color=rgb(0, 45, 122) !important]html[color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]gt[color=rgb(51, 51, 51) !important];
[color=rgb(0, 111, 224) !important] [color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]lt[color=rgb(51, 51, 51) !important];[color=rgb(0, 45, 122) !important]head[color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]gt[color=rgb(51, 51, 51) !important];
[color=rgb(0, 111, 224) !important]  [color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]lt[color=rgb(51, 51, 51) !important];[color=rgb(0, 45, 122) !important]title[color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]gt[color=rgb(51, 51, 51) !important];
[color=rgb(0, 111, 224) !important]   [color=teal !important]The Dormouse[color=rgb(221, 17, 68) !important]'s story
[color=rgb(221, 17, 68) !important]  &lt;/title&gt;
[color=rgb(221, 17, 68) !important] &lt;/head&gt;
[color=rgb(221, 17, 68) !important] &lt;body&gt;
[color=rgb(221, 17, 68) !important]  &lt;p class="title" name="dromouse"&gt;
[color=rgb(221, 17, 68) !important]   &lt;b&gt;
[color=rgb(221, 17, 68) !important]    The Dormouse's[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]story
[color=rgb(0, 111, 224) !important]   [color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]lt[color=rgb(51, 51, 51) !important];[color=rgb(0, 111, 224) !important]/[color=rgb(0, 45, 122) !important]b[color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]gt[color=rgb(51, 51, 51) !important];
[color=rgb(0, 111, 224) !important]  [color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]lt[color=rgb(51, 51, 51) !important];[color=rgb(0, 111, 224) !important]/[color=rgb(0, 45, 122) !important]p[color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]gt[color=rgb(51, 51, 51) !important];
[color=rgb(0, 111, 224) !important]  [color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]lt[color=rgb(51, 51, 51) !important];p[color=rgb(0, 111, 224) !important] [color=rgb(128, 0, 128) !important]class[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"story"[color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]gt[color=rgb(51, 51, 51) !important];
[color=rgb(0, 111, 224) !important]   [color=teal !important]Once upon[color=rgb(0, 111, 224) !important] a[color=rgb(0, 111, 224) !important] [color=teal !important]time[color=rgb(0, 111, 224) !important] [color=teal !important]there [color=teal !important]were [color=teal !important]three [color=teal !important]little [color=rgb(0, 45, 122) !important]sisters[color=rgb(51, 51, 51) !important];[color=rgb(0, 111, 224) !important] and[color=rgb(0, 111, 224) !important] [color=teal !important]their [color=teal !important]names [color=rgb(0, 45, 122) !important]were
[color=rgb(0, 111, 224) !important]   [color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]lt[color=rgb(51, 51, 51) !important];a[color=rgb(0, 111, 224) !important] [color=rgb(128, 0, 128) !important]class[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"sister"[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]href[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"http://example.com/elsie"[color=rgb(0, 111, 224) !important] [color=teal !important]id[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"link1"[color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]gt[color=rgb(51, 51, 51) !important];
[color=rgb(0, 111, 224) !important]    [color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]lt[color=rgb(51, 51, 51) !important];[color=rgb(0, 111, 224) !important]![color=rgb(0, 111, 224) !important]--[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]Elsie[color=rgb(0, 111, 224) !important] [color=rgb(0, 111, 224) !important]--[color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]gt[color=rgb(51, 51, 51) !important];
[color=rgb(0, 111, 224) !important]   [color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]lt[color=rgb(51, 51, 51) !important];[color=rgb(0, 111, 224) !important]/[color=rgb(0, 45, 122) !important]a[color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]gt[color=rgb(51, 51, 51) !important];
[color=rgb(0, 111, 224) !important]   [color=rgb(51, 51, 51) !important],
[color=rgb(0, 111, 224) !important]   [color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]lt[color=rgb(51, 51, 51) !important];a[color=rgb(0, 111, 224) !important] [color=rgb(128, 0, 128) !important]class[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"sister"[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]href[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"http://example.com/lacie"[color=rgb(0, 111, 224) !important] [color=teal !important]id[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"link2"[color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]gt[color=rgb(51, 51, 51) !important];
[color=rgb(0, 111, 224) !important]    [color=rgb(0, 45, 122) !important]Lacie
[color=rgb(0, 111, 224) !important]   [color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]lt[color=rgb(51, 51, 51) !important];[color=rgb(0, 111, 224) !important]/[color=rgb(0, 45, 122) !important]a[color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]gt[color=rgb(51, 51, 51) !important];
[color=rgb(0, 111, 224) !important]   and
[color=rgb(0, 111, 224) !important]   [color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]lt[color=rgb(51, 51, 51) !important];a[color=rgb(0, 111, 224) !important] [color=rgb(128, 0, 128) !important]class[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"sister"[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]href[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"http://example.com/tillie"[color=rgb(0, 111, 224) !important] [color=teal !important]id[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"link3"[color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]gt[color=rgb(51, 51, 51) !important];
[color=rgb(0, 111, 224) !important]    [color=rgb(0, 45, 122) !important]Tillie
[color=rgb(0, 111, 224) !important]   [color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]lt[color=rgb(51, 51, 51) !important];[color=rgb(0, 111, 224) !important]/[color=rgb(0, 45, 122) !important]a[color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]gt[color=rgb(51, 51, 51) !important];
[color=rgb(0, 111, 224) !important]   [color=rgb(51, 51, 51) !important];
and[color=rgb(0, 111, 224) !important] [color=teal !important]they [color=teal !important]lived [color=teal !important]at [color=teal !important]the [color=teal !important]bottom of[color=rgb(0, 111, 224) !important] a[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]well[color=rgb(51, 51, 51) !important].
[color=rgb(0, 111, 224) !important]  [color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]lt[color=rgb(51, 51, 51) !important];[color=rgb(0, 111, 224) !important]/[color=rgb(0, 45, 122) !important]p[color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]gt[color=rgb(51, 51, 51) !important];
[color=rgb(0, 111, 224) !important]  [color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]lt[color=rgb(51, 51, 51) !important];p[color=rgb(0, 111, 224) !important] [color=rgb(128, 0, 128) !important]class[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"story"[color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]gt[color=rgb(51, 51, 51) !important];
[color=rgb(0, 111, 224) !important]   [color=rgb(51, 51, 51) !important].[color=rgb(51, 51, 51) !important].[color=rgb(51, 51, 51) !important].
[color=rgb(0, 111, 224) !important]  [color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]lt[color=rgb(51, 51, 51) !important];[color=rgb(0, 111, 224) !important]/[color=rgb(0, 45, 122) !important]p[color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]gt[color=rgb(51, 51, 51) !important];
[color=rgb(0, 111, 224) !important] [color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]lt[color=rgb(51, 51, 51) !important];[color=rgb(0, 111, 224) !important]/[color=rgb(0, 45, 122) !important]body[color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]gt[color=rgb(51, 51, 51) !important];
[color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]lt[color=rgb(51, 51, 51) !important];[color=rgb(0, 111, 224) !important]/[color=rgb(0, 45, 122) !important]html[color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]gt[color=rgb(51, 51, 51) !important];



以上便是输出结果,格式化打印出了它的内容,这个函数经常用到,小伙伴们要记好咯。
5. 四大对象种类
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
下面我们进行一一介绍
(1)Tag
Tag 是什么?通俗点讲就是 HTML 中的一个个标签,例如
[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]









[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1


[color=rgb(0, 111, 224) !important]<[color=rgb(0, 45, 122) !important]title[color=rgb(0, 111, 224) !important]>[color=teal !important]The Dormouse's[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]story[color=rgb(0, 111, 224) !important]<[color=rgb(0, 111, 224) !important]/[color=rgb(0, 45, 122) !important]title[color=rgb(0, 111, 224) !important]>




[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]











[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1


[color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]lt[color=rgb(51, 51, 51) !important];a[color=rgb(0, 111, 224) !important] [color=rgb(128, 0, 128) !important]class[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"sister"[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]href[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"http://example.com/elsie"[color=rgb(0, 111, 224) !important] [color=teal !important]id[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"link1"[color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]gt[color=rgb(51, 51, 51) !important];[color=rgb(0, 45, 122) !important]Elsie[color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]lt[color=rgb(51, 51, 51) !important];[color=rgb(0, 111, 224) !important]/[color=rgb(0, 45, 122) !important]a[color=rgb(0, 111, 224) !important]&[color=rgb(0, 45, 122) !important]gt[color=rgb(51, 51, 51) !important];



上面的 title a 等等 HTML 标签加上里面包括的内容就是 Tag,下面我们来感受一下怎样用 Beautiful Soup 来方便地获取 Tags
下面每一段代码中注释部分即为运行结果
[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]









[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1

[color=rgb(170, 170, 170) !important]2


[color=teal !important]print[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]title
[color=rgb(153, 153, 153) !important]#<title>The Dormouse's story</title>




[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]









[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1

[color=rgb(170, 170, 170) !important]2


[color=teal !important]print[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]head
[color=rgb(153, 153, 153) !important]#<head><title>The Dormouse's story</title></head>




[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]











[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1

[color=rgb(170, 170, 170) !important]2


[color=teal !important]print[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]a
[color=rgb(153, 153, 153) !important]#<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>




[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]









[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1

[color=rgb(170, 170, 170) !important]2


[color=teal !important]print[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]p
[color=rgb(153, 153, 153) !important]#<p class="title" name="dromouse"><b>The Dormouse's story</b></p>



我们可以利用 soup加标签名轻松地获取这些标签的内容,是不是感觉比正则表达式方便多了?不过有一点是,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,我们在后面进行介绍。
我们可以验证一下这些对象的类型
[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]









[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1

[color=rgb(170, 170, 170) !important]2


[color=teal !important]print[color=rgb(0, 111, 224) !important] [color=teal !important]type[color=rgb(51, 51, 51) !important]([color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]a[color=rgb(51, 51, 51) !important])
[color=rgb(153, 153, 153) !important]#<class 'bs4.element.Tag'>



对于 Tag,它有两个重要的属性,是 name 和 attrs,下面我们分别来感受一下
name
[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]









[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1

[color=rgb(170, 170, 170) !important]2

[color=rgb(170, 170, 170) !important]3

[color=rgb(170, 170, 170) !important]4


[color=teal !important]print[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=teal !important]name
[color=teal !important]print[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]head[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]name
[color=rgb(153, 153, 153) !important]#[document]
[color=rgb(153, 153, 153) !important]#head



soup 对象本身比较特殊,它的 name 即为 [document],对于其他内部标签,输出的值便为标签本身的名称。
attrs
[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]









[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1

[color=rgb(170, 170, 170) !important]2


[color=teal !important]print[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]p[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]attrs
[color=rgb(153, 153, 153) !important]#{'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。
如果我们想要单独获取某个属性,可以这样,例如我们获取它的 class 叫什么
[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]









[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1

[color=rgb(170, 170, 170) !important]2


[color=teal !important]print[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]p[color=rgb(51, 51, 51) !important][[color=rgb(221, 17, 68) !important]'class'[color=rgb(51, 51, 51) !important]
[color=rgb(153, 153, 153) !important]#['title']



还可以这样,利用get方法,传入属性的名称,二者是等价的
[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]









[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1

[color=rgb(170, 170, 170) !important]2


[color=teal !important]print[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]p[color=rgb(51, 51, 51) !important].[color=teal !important]get[color=rgb(51, 51, 51) !important]([color=rgb(221, 17, 68) !important]'class'[color=rgb(51, 51, 51) !important])
[color=rgb(153, 153, 153) !important]#['title']



我们可以对这些属性和内容等等进行修改,例如
[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]









[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1

[color=rgb(170, 170, 170) !important]2

[color=rgb(170, 170, 170) !important]3


[color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]p[color=rgb(51, 51, 51) !important][[color=rgb(221, 17, 68) !important]'class'[color=rgb(51, 51, 51) !important][color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"newClass"
[color=teal !important]print[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]p
[color=rgb(153, 153, 153) !important]#<p class="newClass" name="dromouse"><b>The Dormouse's story</b></p>



还可以对这个属性进行删除,例如
[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]









[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1

[color=rgb(170, 170, 170) !important]2

[color=rgb(170, 170, 170) !important]3


del[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]p[color=rgb(51, 51, 51) !important][[color=rgb(221, 17, 68) !important]'class'[color=rgb(51, 51, 51) !important]
[color=teal !important]print[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]p
[color=rgb(153, 153, 153) !important]#<p name="dromouse"><b>The Dormouse's story</b></p>



不过,对于修改删除的操作,不是我们的主要用途,在此不做详细介绍了,如果有需要,请查看前面提供的官方文档
(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
[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]









[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1

[color=rgb(170, 170, 170) !important]2


[color=teal !important]print[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]p[color=rgb(51, 51, 51) !important].[color=teal !important]string
[color=rgb(153, 153, 153) !important]#The Dormouse's story



这样我们就轻松获取到了标签里面的内容,想想如果用正则表达式要多麻烦。它的类型是一个 NavigableString,翻译过来叫 可以遍历的字符串,不过我们最好还是称它英文名字吧。
[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]









[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1

[color=rgb(170, 170, 170) !important]2


[color=teal !important]print[color=rgb(0, 111, 224) !important] [color=teal !important]type[color=rgb(51, 51, 51) !important]([color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]p[color=rgb(51, 51, 51) !important].[color=teal !important]string[color=rgb(51, 51, 51) !important])
[color=rgb(153, 153, 153) !important]#<class 'bs4.element.NavigableString'>



来检查一下它的类型
[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]









[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1

[color=rgb(170, 170, 170) !important]2


[color=teal !important]print[color=rgb(0, 111, 224) !important] [color=teal !important]type[color=rgb(51, 51, 51) !important]([color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]p[color=rgb(51, 51, 51) !important].[color=teal !important]string[color=rgb(51, 51, 51) !important])
[color=rgb(153, 153, 153) !important]#<class 'bs4.element.NavigableString'>




(3)BeautifulSoup
BeautifulSoup 对象表示的是一个文档的全部内容.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
[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]









[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1

[color=rgb(170, 170, 170) !important]2

[color=rgb(170, 170, 170) !important]3

[color=rgb(170, 170, 170) !important]4

[color=rgb(170, 170, 170) !important]5

[color=rgb(170, 170, 170) !important]6


[color=teal !important]print[color=rgb(0, 111, 224) !important] [color=teal !important]type[color=rgb(51, 51, 51) !important]([color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]name[color=rgb(51, 51, 51) !important])
[color=rgb(153, 153, 153) !important]#<type 'unicode'>
[color=teal !important]print[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]name[color=rgb(0, 111, 224) !important]
[color=rgb(153, 153, 153) !important]# [document]
[color=teal !important]print[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]attrs[color=rgb(0, 111, 224) !important]
[color=rgb(153, 153, 153) !important]#{} 空字典




(4)Comment
Comment 对象是一个特殊类型的 NavigableString 对象,其实输出的内容仍然不包括注释符号,但是如果不好好处理它,可能会对我们的文本处理造成意想不到的麻烦。
我们找一个带注释的标签
[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]









[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1

[color=rgb(170, 170, 170) !important]2

[color=rgb(170, 170, 170) !important]3


[color=teal !important]print[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].a
[color=teal !important]print[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]a[color=rgb(51, 51, 51) !important].[color=teal !important]string
[color=teal !important]print[color=rgb(0, 111, 224) !important] [color=teal !important]type[color=rgb(51, 51, 51) !important]([color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]a[color=rgb(51, 51, 51) !important].[color=teal !important]string[color=rgb(51, 51, 51) !important])



运行结果如下
[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]











[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1

[color=rgb(170, 170, 170) !important]2

[color=rgb(170, 170, 170) !important]3


[color=rgb(0, 111, 224) !important]<a[color=rgb(0, 111, 224) !important] [color=rgb(128, 0, 128) !important]class[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"sister"[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]href[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"http://example.com/elsie"[color=rgb(0, 111, 224) !important] [color=teal !important]id[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"link1"[color=rgb(0, 111, 224) !important]>[color=rgb(0, 111, 224) !important]<[color=rgb(0, 111, 224) !important]![color=rgb(0, 111, 224) !important]--[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]Elsie[color=rgb(0, 111, 224) !important] [color=rgb(0, 111, 224) !important]--[color=rgb(0, 111, 224) !important]>[color=rgb(0, 111, 224) !important]<[color=rgb(0, 111, 224) !important]/[color=rgb(0, 45, 122) !important]a[color=rgb(0, 111, 224) !important]>
[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]Elsie[color=rgb(0, 111, 224) !important]
[color=rgb(0, 111, 224) !important]<[color=rgb(128, 0, 128) !important]class[color=rgb(0, 111, 224) !important] [color=rgb(221, 17, 68) !important]'bs4.element.Comment'[color=rgb(0, 111, 224) !important]>



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,我们发现它已经把注释符号去掉了,所以这可能会给我们带来不必要的麻烦。
另外我们打印输出下它的类型,发现它是一个 Comment 类型,所以,我们在使用前最好做一下判断,判断代码如下
[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]









[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1

[color=rgb(170, 170, 170) !important]2


if[color=rgb(0, 111, 224) !important] [color=teal !important]type[color=rgb(51, 51, 51) !important]([color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]a[color=rgb(51, 51, 51) !important].[color=teal !important]string[color=rgb(51, 51, 51) !important])[color=rgb(0, 111, 224) !important]==[color=rgb(0, 45, 122) !important]bs4[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]element[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]Comment[color=rgb(0, 111, 224) !important]:
[color=rgb(0, 111, 224) !important]    [color=teal !important]print[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]a[color=rgb(51, 51, 51) !important].[color=teal !important]string



上面的代码中,我们首先判断了它的类型,是否为 Comment 类型,然后再进行其他操作,如打印输出。
6. 遍历文档树(1)直接子节点
要点:.contents .children 属性
.contents
tag 的 .content 属性可以将tag的子节点以列表的方式输出
[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]









[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1

[color=rgb(170, 170, 170) !important]2


[color=teal !important]print[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]head[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]contents[color=rgb(0, 111, 224) !important]
[color=rgb(153, 153, 153) !important]#[<title>The Dormouse's story</title>]



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
[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]









[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1

[color=rgb(170, 170, 170) !important]2


[color=teal !important]print[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]head[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]contents[color=rgb(51, 51, 51) !important][[color=rgb(0, 153, 153) !important]0[color=rgb(51, 51, 51) !important]
[color=rgb(153, 153, 153) !important]#<title>The Dormouse's story</title>



.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
[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]









[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1

[color=rgb(170, 170, 170) !important]2


[color=teal !important]print[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]head[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]children
[color=rgb(153, 153, 153) !important]#<listiterator object at 0x7f71457f5710>



我们怎样获得里面的内容呢?很简单,遍历一下就好了,代码及结果如下
[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]









[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1

[color=rgb(170, 170, 170) !important]2


for[color=rgb(0, 111, 224) !important] [color=teal !important]child in[color=rgb(0, 111, 224) !important]  [color=rgb(0, 45, 122) !important]soup[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]body[color=rgb(51, 51, 51) !important].[color=rgb(0, 45, 122) !important]children[color=rgb(0, 111, 224) !important]:
[color=rgb(0, 111, 224) !important]    [color=teal !important]print[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]child





[backcolor=rgb(248, 248, 255) !important][backcolor=rgb(238, 238, 238) !important][color=rgb(102, 102, 102) !important]











[color=rgb(102, 102, 102) !important]Python



[color=rgb(170, 170, 170) !important]1

[color=rgb(170, 170, 170) !important]2

[color=rgb(170, 170, 170) !important]3

[color=rgb(170, 170, 170) !important]4

[color=rgb(170, 170, 170) !important]5

[color=rgb(170, 170, 170) !important]6

[color=rgb(170, 170, 170) !important]7

[color=rgb(170, 170, 170) !important]8

[color=rgb(170, 170, 170) !important]9


[color=rgb(0, 111, 224) !important]<p[color=rgb(0, 111, 224) !important] [color=rgb(128, 0, 128) !important]class[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"title"[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]name[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"dromouse"[color=rgb(0, 111, 224) !important]>[color=rgb(0, 111, 224) !important]<[color=rgb(0, 45, 122) !important]b[color=rgb(0, 111, 224) !important]>[color=teal !important]The Dormouse's[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]story[color=rgb(0, 111, 224) !important]<[color=rgb(0, 111, 224) !important]/[color=rgb(0, 45, 122) !important]b[color=rgb(0, 111, 224) !important]>[color=rgb(0, 111, 224) !important]<[color=rgb(0, 111, 224) !important]/[color=rgb(0, 45, 122) !important]p[color=rgb(0, 111, 224) !important]>

[color=rgb(0, 111, 224) !important]<p[color=rgb(0, 111, 224) !important] [color=rgb(128, 0, 128) !important]class[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"story"[color=rgb(0, 111, 224) !important]>[color=teal !important]Once upon[color=rgb(0, 111, 224) !important] a[color=rgb(0, 111, 224) !important] [color=teal !important]time[color=rgb(0, 111, 224) !important] [color=teal !important]there [color=teal !important]were [color=teal !important]three [color=teal !important]little [color=rgb(0, 45, 122) !important]sisters[color=rgb(51, 51, 51) !important];[color=rgb(0, 111, 224) !important] and[color=rgb(0, 111, 224) !important] [color=teal !important]their [color=teal !important]names [color=rgb(0, 45, 122) !important]were
[color=rgb(0, 111, 224) !important]<a[color=rgb(0, 111, 224) !important] [color=rgb(128, 0, 128) !important]class[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"sister"[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]href[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"http://example.com/elsie"[color=rgb(0, 111, 224) !important] [color=teal !important]id[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"link1"[color=rgb(0, 111, 224) !important]>[color=rgb(0, 111, 224) !important]<[color=rgb(0, 111, 224) !important]![color=rgb(0, 111, 224) !important]--[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]Elsie[color=rgb(0, 111, 224) !important] [color=rgb(0, 111, 224) !important]--[color=rgb(0, 111, 224) !important]>[color=rgb(0, 111, 224) !important]<[color=rgb(0, 111, 224) !important]/[color=rgb(0, 45, 122) !important]a[color=rgb(0, 111, 224) !important]>[color=rgb(51, 51, 51) !important],
[color=rgb(0, 111, 224) !important]<a[color=rgb(0, 111, 224) !important] [color=rgb(128, 0, 128) !important]class[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"sister"[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]href[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"http://example.com/lacie"[color=rgb(0, 111, 224) !important] [color=teal !important]id[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"link2"[color=rgb(0, 111, 224) !important]>[color=rgb(0, 45, 122) !important]Lacie[color=rgb(0, 111, 224) !important]<[color=rgb(0, 111, 224) !important]/[color=rgb(0, 45, 122) !important]a[color=rgb(0, 111, 224) !important]>[color=rgb(0, 111, 224) !important] and
[color=rgb(0, 111, 224) !important]<a[color=rgb(0, 111, 224) !important] [color=rgb(128, 0, 128) !important]class[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"sister"[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]href[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"http://example.com/tillie"[color=rgb(0, 111, 224) !important] [color=teal !important]id[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"link3"[color=rgb(0, 111, 224) !important]>[color=rgb(0, 45, 122) !important]Tillie[color=rgb(0, 111, 224) !important]<[color=rgb(0, 111, 224) !important]/[color=rgb(0, 45, 122) !important]a[color=rgb(0, 111, 224) !important]>[color=rgb(51, 51, 51) !important];
and[color=rgb(0, 111, 224) !important] [color=teal !important]they [color=teal !important]lived [color=teal !important]at [color=teal !important]the [color=teal !important]bottom of[color=rgb(0, 111, 224) !important] a[color=rgb(0, 111, 224) !important] [color=rgb(0, 45, 122) !important]well[color=rgb(51, 51, 51) !important].[color=rgb(0, 111, 224) !important]<[color=rgb(0, 111, 224) !important]/[color=rgb(0, 45, 122) !important]p[color=rgb(0, 111, 224) !important]>

[color=rgb(0, 111, 224) !important]<p[color=rgb(0, 111, 224) !important] [color=rgb(128, 0, 128) !important]class[color=rgb(0, 111, 224) !important]=[color=rgb(221, 17, 68) !important]"story"[color=rgb(0, 111, 224) !important]>[color=rgb(51, 51, 51) !important].[color=rgb(51, 51, 51) !important].[color=rgb(51, 51, 51) !important].[color=rgb(0, 111, 224) !important]<[color=rgb(0, 111, 224) !important]/[color=rgb(0, 45, 122) !important]p[color=rgb(0, 111, 224) !important]>




(2)所有子孙节点
知识点:.descendants 属性
.descendants
.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。
  1. for child in soup.descendants:
  2.     print child
复制代码
运行结果如下,可以发现,所有的节点都被打印出来了,先生最外层的 HTML标签,其次从 head 标签一个个剥离,以此类推。
  1. <html><head><title>The Dormouse's story</title></head>
  2. <body>
  3. <p class="title" name="dromouse"><b>The Dormouse's story</b></p>
  4. <p class="story">Once upon a time there were three little sisters; and their names were
  5. <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>,
  6. <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
  7. <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
  8. and they lived at the bottom of a well.</p>
  9. <p class="story">...</p>
  10. </body></html>
  11. <head><title>The Dormouse's story</title></head>
  12. <title>The Dormouse's story</title>
  13. The Dormouse's story

  14. <body>
  15. <p class="title" name="dromouse"><b>The Dormouse's story</b></p>
  16. <p class="story">Once upon a time there were three little sisters; and their names were
  17. <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>,
  18. <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
  19. <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
  20. and they lived at the bottom of a well.</p>
  21. <p class="story">...</p>
  22. </body>

  23. <p class="title" name="dromouse"><b>The Dormouse's story</b></p>
  24. <b>The Dormouse's story</b>
  25. The Dormouse's story

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

  32. <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
  33. Elsie
  34. ,

  35. <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>
  36. Lacie
  37. and

  38. <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
  39. Tillie
  40. ;
  41. and they lived at the bottom of a well.

  42. <p class="story">...</p>
  43. ...
复制代码
(3)节点内容
知识点:.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
  1. print soup.head.string
  2. #The Dormouse's story
  3. print soup.title.string
  4. #The Dormouse's story
复制代码
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. print soup.html.string
  2. # None
复制代码
(4)多个内容
知识点: .strings .stripped_strings 属性
.strings
获取多个内容,不过需要遍历获取,比如下面的例子
  1. for string in soup.strings:
  2.     print(repr(string))
  3.     # u"The Dormouse's story"
  4.     # u'\n\n'
  5.     # u"The Dormouse's story"
  6.     # u'\n\n'
  7.     # u'Once upon a time there were three little sisters; and their names were\n'
  8.     # u'Elsie'
  9.     # u',\n'
  10.     # u'Lacie'
  11.     # u' and\n'
  12.     # u'Tillie'
  13.     # u';\nand they lived at the bottom of a well.'
  14.     # u'\n\n'
  15.     # u'...'
  16.     # u'\n'
复制代码
.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. for string in soup.stripped_strings:
  2.     print(repr(string))
  3.     # u"The Dormouse's story"
  4.     # u"The Dormouse's story"
  5.     # u'Once upon a time there were three little sisters; and their names were'
  6.     # u'Elsie'
  7.     # u','
  8.     # u'Lacie'
  9.     # u'and'
  10.     # u'Tillie'
  11.     # u';\nand they lived at the bottom of a well.'
  12.     # u'...'
复制代码
(5)父节点
知识点: .parent 属性
  1. p = soup.p
  2. print p.parent.name
  3. #body
复制代码
  1. content = soup.head.title.string
  2. print content.parent.name
  3. #title
复制代码
(6)全部父节点
知识点:.parents 属性
通过元素的 .parents 属性可以递归得到元素的所有父辈节点,例如
  1. content = soup.head.title.string
  2. for parent in  content.parents:
  3.     print parent.name
复制代码
  1. title
  2. head
  3. html
  4. [document]
复制代码
(7)兄弟节点
知识点:.next_sibling .previous_sibling 属性
兄弟节点可以理解为和本节点处在统一级的节点,.next_sibling 属性获取了该节点的下一个兄弟节点,.previous_sibling 则与之相反,如果节点不存在,则返回 None
注意:实际文档中的tag的 .next_sibling 和 .previous_sibling 属性通常是字符串或空白,因为空白或者换行也可以被视作一个节点,所以得到的结果可能是空白或者换行
  1. print soup.p.next_sibling
  2. #       实际该处为空白
  3. print soup.p.prev_sibling
  4. #None   没有前一个兄弟节点,返回 None
  5. print soup.p.next_sibling.next_sibling
  6. #<p class="story">Once upon a time there were three little sisters; and their names were
  7. #<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>,
  8. #<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
  9. #<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
  10. #and they lived at the bottom of a well.</p>
  11. #下一个节点的下一个兄弟节点是我们可以看到的节点
复制代码
(8)全部兄弟节点
知识点:.next_siblings .previous_siblings 属性
通过 .next_siblings 和 .previous_siblings 属性可以对当前节点的兄弟节点迭代输出
  1. for sibling in soup.a.next_siblings:
  2.     print(repr(sibling))
  3.     # u',\n'
  4.     # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>
  5.     # u' and\n'
  6.     # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
  7.     # u'; and they lived at the bottom of a well.'
  8.     # None
复制代码
(9)前后节点
知识点:.next_element .previous_element 属性
与 .next_sibling .previous_sibling 不同,它并不是针对于兄弟节点,而是在所有节点,不分层次
比如 head 节点为
  1. <head><title>The Dormouse's story</title></head>
复制代码
那么它的下一个节点便是 title,它是不分层次关系的

  1. print soup.head.next_element
  2. #<title>The Dormouse's story</title>
复制代码
(10)所有前后节点
知识点:.next_elements .previous_elements 属性
通过 .next_elements 和 .previous_elements 的迭代器就可以向前或向后访问文档的解析内容,就好像文档正在被解析一样
  1. for element in last_a_tag.next_elements:
  2.     print(repr(element))
  3. # u'Tillie'
  4. # u';\nand they lived at the bottom of a well.'
  5. # u'\n\n'
  6. # <p class="story">...</p>
  7. # u'...'
  8. # u'\n'
  9. # None
复制代码
7.搜索文档树(1)find_all( name , attrs , recursive , text , **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)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<b>标签
  1.        
  2. soup.find_all('b')
  3. # [<b>The Dormouse's story</b>]
复制代码
  1. print soup.find_all('a')
  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>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
复制代码
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<body>和<b>标签都应该被找到

Python

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

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<a>标签和<b>标签

Python

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>]

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>]
D.传 True

True 可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点

Python

for tag in soup.find_all(True):
    print(tag.name)
# html
# head
# title
# body
# p
# b
# p
# a
# a

for tag in soup.find_all(True):
    print(tag.name)
# html
# head
# title
# body
# p
# b
# p
# a
# a
E.传方法

如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数 [4] ,如果这个方法返回 True 表示当前元素匹配并且被找到,如果不是则反回 False

下面方法校验了当前元素,如果包含 class 属性却不包含 id 属性,那么将返回 True:

Python

def has_class_but_no_id(tag):
    return tag.has_attr('class') and not tag.has_attr('id')

def has_class_but_no_id(tag):
    return tag.has_attr('class') and not tag.has_attr('id')
将这个方法作为参数传入 find_all() 方法,将得到所有<p>标签:

Python

soup.find_all(has_class_but_no_id)
# [<p class="title"><b>The Dormouse's story</b></p>,
#  <p class="story">Once upon a time there were...</p>,
#  <p class="story">...</p>]

soup.find_all(has_class_but_no_id)
# [<p class="title"><b>The Dormouse's story</b></p>,
#  <p class="story">Once upon a time there were...</p>,
#  <p class="story">...</p>]
2)keyword 参数

注意: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
Python

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

soup.find_all(id='link2')
# [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]
如果传入 href 参数,Beautiful Soup会搜索每个tag的”href”属性

Python

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

soup.find_all(href=re.compile("elsie"))
# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]
使用多个指定名字的参数可以同时过滤tag的多个属性

Python

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

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

Python

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>]

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>]
有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性

Python

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>]

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>]
但是可以通过 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

Python

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

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

Python

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"]

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"]
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.

文档树中有3个tag符合搜索条件,但结果只返回了2个,因为我们限制了返回数量

Python

soup.find_all("a", limit=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>]

soup.find_all("a", limit=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>]
5)recursive 参数

调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False .

一段简单的文档:

Python

<html>
<head>
  <title>
   The Dormouse's story
  </title>
</head>
...

<html>
<head>
  <title>
   The Dormouse's story
  </title>
</head>
...
是否使用 recursive 参数的搜索结果:

Python

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

soup.html.find_all("title", recursive=False)
# []

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

soup.html.find_all("title", recursive=False)
# []
(2)find( name , attrs , recursive , text , **kwargs )

它与 find_all() 方法唯一的区别是 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

(3)find_parents() find_parent()

find_all() 和 find() 只搜索当前节点的所有子节点,孙子节点等. find_parents() 和 find_parent() 用来搜索当前节点的父辈节点,搜索方法与普通tag的搜索方法相同,搜索文档搜索文档包含的内容

(4)find_next_siblings() find_next_sibling()

这2个方法通过 .next_siblings 属性对当 tag 的所有后面解析的兄弟 tag 节点进行迭代, find_next_siblings() 方法返回所有符合条件的后面的兄弟节点,find_next_sibling() 只返回符合条件的后面的第一个tag节点

(5)find_previous_siblings() find_previous_sibling()

这2个方法通过 .previous_siblings 属性对当前 tag 的前面解析的兄弟 tag 节点进行迭代, find_previous_siblings() 方法返回所有符合条件的前面的兄弟节点, find_previous_sibling() 方法返回第一个符合条件的前面的兄弟节点

(6)find_all_next() find_next()

这2个方法通过 .next_elements 属性对当前 tag 的之后的 tag 和字符串进行迭代, find_all_next() 方法返回所有符合条件的节点, find_next() 方法返回第一个符合条件的节点

(7)find_all_previous() 和 find_previous()

这2个方法通过 .previous_elements 属性对当前节点前面的 tag 和字符串进行迭代, find_all_previous() 方法返回所有符合条件的节点, find_previous()方法返回第一个符合条件的节点

注:以上(2)(3)(4)(5)(6)(7)方法参数用法与 find_all() 完全相同,原理均类似,在此不再赘述。
8.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

Python

print soup.select('title')
#[<title>The Dormouse's story</title>]
1
2
print soup.select('title')
#[<title>The Dormouse's story</title>]
Python

print soup.select('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>]
1
2
print soup.select('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>]
Python

print soup.select('b')
#[<b>The Dormouse's story</b>]
1
2
print soup.select('b')
#[<b>The Dormouse's story</b>]
(2)通过类名查找

Python

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>]
1
2
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)通过 id 名查找

Python

print soup.select('#link1')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
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

Python

print soup.select('p #link1')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
1
2
print soup.select('p #link1')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
直接子标签查找

Python

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

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

Python

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

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

print soup.select('a[href="http://example.com/elsie"]')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

print soup.select('a[href="http://example.com/elsie"]')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
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

Python

print soup.select('p a[href="http://example.com/elsie"]')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

print soup.select('p a[href="http://example.com/elsie"]')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
好,这就是另一种与 find_all 方法有异曲同工之妙的查找方法,是不是感觉很方便?

总结

本篇内容比较多,把 Beautiful Soup 的方法进行了大部分整理和总结,不过这还不算完全,仍然有 Beautiful Soup 的修改删除功能,不过这些功能用得比较少,只整理了查找提取的方法,希望对大家有帮助!小伙伴们加油!

熟练掌握了 Beautiful Soup,一定会给你带来太多方便,加油吧!


http://python.jobbole.com/81349/








回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

返回顶部