python中使用beautifulsoup4解析网页Html

忘是亡心i 2022-07-15 10:18 275阅读 0赞

一、安装
 pip install beautifulsoup4
 
 
 二、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:
 
 
 html = """
 <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"></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.
 ...
 """
 soup = BeautifulSoup(html)
 
 #打开本地文件
 soup = BeautifulSoup(open('index.html'))
 
 
 #格式化输出
 print soup.prettify()
 
 
 1、Tag获取标签
 1）name:名称
 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。
 示例：
 print soup.name
 print soup.head.name
 #[document]
 #head
 
 2）attrs：属性
 #打印输出 p 标签的所有属性
 print soup.p.attrs
 #{'class': ['title'], 'name': 'dromouse'}
 
 #单独获取某个属性
 print soup.p['class']
 #['title']
 
 #利用get方法，传入属性的名称
 print soup.p.get('class')
 #['title']
 
 
 2、NavigableString获取标签内部的文字
 
 print soup.p.string
 #The Dormouse's story
 
 print type(soup.p.string)
 #<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
 
 print type(soup.name)
 #<type 'unicode'>
 
 print soup.name 
 # [document]
 
 print soup.attrs 
 #{} 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。
 
 print soup.a
 print soup.a.string
 print type(soup.a.string)
 
 #输出结果
 <a class="sister" href="http://example.com/elsie" id="link1"></a>
 Elsie 
 <class 'bs4.element.Comment'>
 
 
 #检测是否为注释
 if type(soup.a.string)==bs4.element.Comment:
 print soup.a.string
 
 
 三. 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
 print soup.head.contents 
 #[<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
 print soup.head.contents[0]
 #<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
 print soup.head.children
 #<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
 for child in soup.body.children:
 print child
 
 
 The Dormouse's story
 
 Once upon a time there were three little sisters; and their names were
 <a class="sister" href="http://example.com/elsie" id="link1"></a>,
 <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
 
 （2）所有子孙节点
 
 .descendants 属性可以对所有tag的子孙节点进行递归循环，
 
 
 #遍历获取其中的内容。
 for child in soup.descendants:
 print child
 
 运行结果如下，可以发现，所有的节点都被打印出来了，先生成最外层的 HTML标签，其次从 head 标签一个个剥离，以此类推。
 
 
 <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 class="sister" href="http://example.com/elsie" id="link1"></a>,
 
 
 （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
 
 
 print soup.head.string
 #The Dormouse's story
 
 print soup.title.string
 #The Dormouse's story
 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
 
 
 print soup.html.string
 # None
 
 （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
 
 
 for string in soup.strings:
 print(repr(string))
 # u"The Dormouse's story"
 # u'\n\n'
 # u"The Dormouse's story"
 # u'\n\n'
 # u'Once upon a time there were three little sisters; and their names were\n'
 # u'Elsie'
 # u',\n'
 # u'Lacie'
 # u' and\n'
 # u'Tillie'
 # u';\nand they lived at the bottom of a well.'
 # u'\n\n'
 # u'...'
 # u'\n'
 
 
 .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
 
 
 for string in soup.stripped_strings:
 print(repr(string))
 # u"The Dormouse's story"
 # u"The Dormouse's story"
 # u'Once upon a time there were three little sisters; and their names were'
 # u'Elsie'
 # u','
 # u'Lacie'
 # u'and'
 # u'Tillie'
 # u';\nand they lived at the bottom of a well.'
 # u'...'
 
 
 （5）父节点
 
 知识点： .parent 属性
 
 p = soup.p
 print p.parent.name
 #body
 
 content = soup.head.title.string
 print content.parent.name
 #title
 
 
 （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
 
 
 content = soup.head.title.string
 for parent in content.parents:
 print parent.name
 
 
 title
 head
 html
 [document]
 
 
 （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
 
 
 print soup.p.next_sibling
 # 实际该处为空白
 print soup.p.prev_sibling
 #None 没有前一个兄弟节点，返回 None
 print soup.p.next_sibling.next_sibling
 #Once upon a time there were three little sisters; and their names were
 #<a class="sister" href="http://example.com/elsie" id="link1"></a>,
 #<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
 #<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
 #and they lived at the bottom of a well.
 #下一个节点的下一个兄弟节点是我们可以看到的节点
 
 （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
 
 
 for sibling in soup.a.next_siblings:
 print(repr(sibling))
 # u',\n'
 # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>
 # u' and\n'
 # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
 # u'; and they lived at the bottom of a well.'
 # None
 
 （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
 
 <head><title>The Dormouse's story</title></head>
 那么它的下一个节点便是 title，它是不分层次关系的
 
 
 print soup.head.next_element
 #<title>The Dormouse's story</title>
 
 （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
 
 
 for element in last_a_tag.next_elements:
 print(repr(element))
 # u'Tillie'
 # u';\nand they lived at the bottom of a well.'
 # u'\n\n'
 # ...
 # u'...'
 # u'\n'
 # None
 
 
 
 四.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标签
 
 soup.find_all('b')
 # [The Dormouse's story]
 
 
 print soup.find_all('a')
 #[<a class="sister" href="http://example.com/elsie" id="link1"></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>]
 
 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>和标签都应该被找到
 
 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>标签和标签
 
 soup.find_all(["a", "b"])
 # [The Dormouse's story,
 # <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
 
 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,如果不是则返回 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:
 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,将得到所有标签:
 soup.find_all(has_class_but_no_id)
 # [The Dormouse's story,
 # Once upon a time there were...,
 # ...]
 
 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
 
 
 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
 
 
 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
 
 
 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
 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
 data_soup = BeautifulSoup('<div data-foo="value">foo!</div>')
 data_soup.find_all(data-foo="value")
 # SyntaxError: keyword can't be an expression
 
 
 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
 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
 
 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
 
 
 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:
 
 
 <html>
 <head>
 <title>
 The Dormouse's story
 </title>
 </head>
 ...
 
 
 是否使用 recursive 参数的搜索结果:
 
 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
 
 print soup.select('title') 
 #[<title>The Dormouse's story</title>]
 
 print soup.select('a')
 #[<a class="sister" href="http://example.com/elsie" id="link1"></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>]
 
 
 print soup.select('b')
 #[The Dormouse's story]
 
 （2）通过类名查找
 
 print soup.select('.sister')
 #[<a class="sister" href="http://example.com/elsie" id="link1"></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
 
 print soup.select('#link1')
 #[<a class="sister" href="http://example.com/elsie" id="link1"></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
 
 
 print soup.select('p #link1')
 #[<a class="sister" href="http://example.com/elsie" id="link1"></a>]
 直接子标签查找
 
 
 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。
 
 print soup.select('a[class="sister"]')
 #[<a class="sister" href="http://example.com/elsie" id="link1"></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>]
 
 print soup.select('a[href="http://example.com/elsie"]')
 #[<a class="sister" href="http://example.com/elsie" id="link1"></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
 
 
 print soup.select('p a[href="http://example.com/elsie"]')
 #[<a class="sister" href="http://example.com/elsie" id="link1"></a>]
 以上的 select 方法返回的结果都是列表形式，可以遍历形式输出，然后用 get_text() 方法来获取它的内容。
 
 
 soup = BeautifulSoup(html, 'lxml')
 print type(soup.select('title'))
 print soup.select('title')[0].get_text()
 
 for title in soup.select('title'):
 print title.get_text()