python 网页解析库 beautifulsoup4 简介

清疚 2021-09-01 06:52 485阅读 0赞

HTML 文档本身是结构化的文本，有一定的规则，通过它的结构可以简化信息提取。于是，就有了lxml、pyquery、BeautifulSoup等网页信息提取库。一般我们会用这些库来提取网页信息。其中，lxml 有很高的解析效率，支持 xPath 语法（一种可以在 HTML 中查找信息的规则语法）；pyquery 得名于 jQuery（知名的前端 js 库），可以用类似 jQuery 的语法解析网页。但我们今天要说的，是剩下的这个：BeautifulSoup。

BeautifulSoup（下文简称 bs）翻译成中文就是“美丽的汤”，这个奇特的名字来源于《爱丽丝梦游仙境》（这也是为何在其官网会配上奇怪的插图，以及用《爱丽丝》的片段作为测试文本）。

![format_png][]

bs 最大的特点我觉得是简单易用，不像正则和 xPath 需要刻意去记住很多特定语法，尽管那样会效率更高更直接。对大多数 python 使用者来说，好用会比高效更重要。这也是我自己使用并推荐 bs 的主要原因。

接下来介绍点 bs 的基本方法，让你看完就能用起来。考虑到“只收藏不看党”的阅读体验，先给出一个“嫌长不看版”的总结：

1.  随anaconda附带，也可以通过pip安装
2.  指定不同解析器在性能、容错性上会有差异，导致结果也可能不一样
3.  基本使用流程：通过文本初始化 bs 对象->通过 find/find\_all 或其他方法检测信息->输出或保存
4.  可以迭代式的查找，比如先定位出一段内容，再其上继续检索
5.  开发时应注意不同方法的返回类型，出错时多看报错、多加输出信息
6.  官方文档很友好，也有中文，推荐阅读 地址：*[https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html][https_www.crummy.com_software_BeautifulSoup_bs4_doc_index.zh.html]*

安装

推荐使用pip进行安装：

pip install beautifulsoup4

要注意，包名是beautifulsoup4，如果不加上 4，会是老版本也就是 bs3，它是为了兼容性而存在，目前已不推荐。我们这里说 bs，都是指 bs4。

bs4 也可以直接通过安装 anaconda 获得。

bs 在使用时需要指定一个“解析器”：

*  html.parse- python 自带，但容错性不够高，对于一些写得不太规范的网页会丢失部分内容
 *  lxml- 解析速度快，需额外安装
 *  xml- 同属 lxml 库，支持 XML 文档
 *  html5lib- 最好的容错性，但速度稍慢

这里的 lxml 和 html5lib 都需要额外安装，不过如果你用的是 anaconda，都是一并安装好的。

快速上手

我们就用官网上的文档作例子：

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.
 
 ...
 """

使用 bs 的初始化操作，是用文本创建一个 BeautifulSoup 对象，建议手动指定解析器：

from bs4 import BeautifulSoup
    soup = BeautifulSoup(html_doc, 'html.parser')

获取其中的某个结构化元素及其属性：

soup.title # title 元素
 # <title>The Dormouse's story</title>
 
 soup.p # 第一个 p 元素
 # The Dormouse's story
 
 soup.p['class'] # p 元素的 class 属性
 # ['title']
 
 soup.p.b # p 元素下的 b 元素
 # The Dormouse's story
 
 soup.p.parent.name # p 元素的父节点的标签
 # body

并不是所有信息都可以简单地通过结构化获取，通常使用 find 和 find\_all 方法进行查找：

soup.find_all('a') # 所有 a 元素
 # [<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') # id 为 link3 的元素
 # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a

*  find 和 find\_all 可以有多个搜索条件叠加，比如find('a', id='link3', class\_='sister')
 *  find 返回的是一个bs4.element.Ta\*\*\*\*g 对象，这个对象可以进一步进行搜索。如果有多个满足的结果，find只返回第一个；如果没有，返回 None。
 *  find\_all 返回的是一个由 bs4.element.Tag 对象组成的 list，不管找到几个或是没找到，都是 list。

输出：

x = soup.find(class_='story')
 x.get_text() # 仅可见文本内容
 # 'Once upon a time there were three little sisters; and their names were\nElsie,\nLacie and\nTillie;\nand they lived at the bottom of a well.'
 x.prettify() # 元素完整内容
 # '\n Once upon a time there were three little sisters; and their names were\n <a class="sister" href="http://example.com/elsie" id="link1">\n Elsie\n </a>\n ,\n <a class="sister" href="http://example.com/lacie" id="link2">\n Lacie\n </a>\n and\n <a class="sister" href="http://example.com/tillie" id="link3">\n Tillie\n </a>\n ;\nand they lived at the bottom of a well.\n\n'

如果你有前端开发经验，对 CSS 选择器很熟悉，bs 也为你提供了相应的方法：

soup.select('html head title')
 # [<title>The Dormouse's story</title>]
 soup.select('p > #link1')
 # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]

以上就是 BeautifulSoup 的一个极简上手介绍，对于 bs 能做什么，想必你已有了一个初步认识。如果你要在开发中使用，建议再看下它的官方文档。文档写得很清楚，也有中文版，你只要看了最初的一小部分，就可以在代码中派上用场了。更多的细节可以在使用时进一步搜索具体方法和参数设置。

官方文档中文版地址：

*[https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html][https_www.crummy.com_software_BeautifulSoup_bs4_doc_index.zh.html]*

[format_png]: /images/20210728/17a905e1f24745fb9d6174a9bb9a4155.png
[https_www.crummy.com_software_BeautifulSoup_bs4_doc_index.zh.html]: https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html