Beautiful Soup4是一個 Python 庫，用于從 HTML 和 XML 文件中提取數(shù)據(jù)。它是一個工具箱，通過解析文檔為用戶提供需要抓取的數(shù)據(jù)，Beautiful Soup自動將輸入文檔轉(zhuǎn)換為Unicode編碼，輸出文檔轉(zhuǎn)換為utf-8編碼。你不需要考慮編碼方式，除非文檔沒有指定一個編碼方式，這時，Beautiful Soup就不能自動識別編碼方式了。
BeautifulSoup安裝
使用pip來安裝BeautifulSoup。
另外要安裝解析器，下列表格列出一些常用的解析器。
使用BeautifulSoup及四大對象
1、創(chuàng)建BeautifulSoup對象
from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content)
print(soup.prettify()) // 格式化輸出
print(soup.get_text()) // 獲取網(wǎng)頁所有的文字內(nèi)容
2、BeautifulSoup四大對象
Beautiful Soup 將復(fù)雜 HTML 文檔轉(zhuǎn)換成一個復(fù)雜的樹形結(jié)構(gòu)，每個節(jié)點都是 Python 對象，所有對象可以歸納為 4 種。
- Tag：HTML中的標(biāo)簽，簡單來說就是html標(biāo)簽。
- NavigableString：簡單來說就是標(biāo)簽里面的內(nèi)容，它的類型是一個NavigableString，翻譯過來叫可以遍歷的字符串。
- BeautifulSoup：BeautifulSoup對象表示的是一個文檔的全部內(nèi)容，大部分時候，可以把它當(dāng)作Tag對象，是一個特殊的Tag，我們可以分別獲取它的類型、名稱、以及屬性
- Comment：一個特殊類型的NavigableString對象，其實輸出的內(nèi)容不包括注釋符號
Tag對象示例
from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content)
print(soup.title)
print(soup.a)
print(soup.p)
運(yùn)行輸出如下圖所示，但是發(fā)現(xiàn)好像這個網(wǎng)頁不止一個a標(biāo)簽跟p標(biāo)簽，是因為它查找的是在所有內(nèi)容中的第一個符合要求的標(biāo)簽，要想得到所有符合要求的標(biāo)簽，后面會介紹find_all函數(shù)。
在Tag對象中有兩個重要的屬性，name和attrs。
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content)
print(soup.a.attrs)
運(yùn)行輸出如下圖所示，name輸出的是標(biāo)簽的本身，attrs輸出的是一個字典的類型，如果我們需要得到某個標(biāo)簽的某個屬性可以使用字典一些方法去獲取比如get方法，print(soup.p.get("class"))或者直接使用print(soup.p["class"])。
NavigableString代碼示例：
from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content)
print(soup.a.string)
運(yùn)行輸出如下圖，可以NavigableString類型的string方法輕松獲取到了標(biāo)簽里面的內(nèi)容。
BeautifulSoup代碼示例：
from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content)
print(soup.name)
print(soup.attrs)
運(yùn)行輸出如下圖所示：
Comment代碼示例：
from bs4 import BeautifulSoup
htmlText = '#<a class="sister" id="link1"><!-- Comment --></a>'
soup = BeautifulSoup(htmlText)
print(soup.a.string)
運(yùn)行輸出如下，a 標(biāo)簽里的內(nèi)容實際上是注釋，但是如果利用 .string方法來輸出它的內(nèi)容，發(fā)現(xiàn)它已經(jīng)把注釋符號去掉了，所以這可能會給帶來不必要的麻煩。
文檔樹遍歷
tag里面的content屬性可以將tag的子節(jié)點以列表的形式返回。通過遍歷content.返回的列表來獲取每一個子節(jié)點或者直接使用tag的children方法來獲取。
from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content)
print(soup.head.contents)
for child in soup.head.contents:
print(child)
for child in soup.head.children:
print(child)
運(yùn)行輸出結(jié)果如下圖所示：
tag里面的.descendants 屬性可以對所有tag的子孫節(jié)點進(jìn)行遞歸循環(huán)，和 children類似，我們也需要遍歷獲取其中的內(nèi)容。
from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content)
for child in soup.descendants:
print(child)
運(yùn)行結(jié)果輸出如下圖所示：
使用.string方法來獲取內(nèi)容，如果一個標(biāo)簽里面沒有標(biāo)簽了，那么 .string 就會返回標(biāo)簽里面的內(nèi)容。如果標(biāo)簽里面只有唯一的一個標(biāo)簽了，那么 .string 也會返回最里面的內(nèi)容，如果標(biāo)簽里面沒有內(nèi)容則返回None。
from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content)
print(soup.a.string)
print(soup.title.string)
運(yùn)行結(jié)果輸出如下圖所示：
使用strippend_strings 屬性來獲取多個內(nèi)容還可以出除多余的空白字符，需要使用遍歷來獲取。
from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content)
for child in soup.stripped_strings:
print(child)
運(yùn)行結(jié)果輸出如下圖所示：
通過元素的 .parents 屬性可以遞歸得到元素的所有父輩節(jié)點。
from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content,"html.parser")
parentObject = soup.head.title
for parent in parentObject.parent:
print(parent.name)
運(yùn)行結(jié)果輸出如下圖所示：
還有一些節(jié)點就不舉例，跟其它獲取節(jié)點一樣也是需要遍歷，而且使用的場景不同，兄弟節(jié)點使用.next_siblings或者.previous_sibling方法，前后節(jié)點使用.next_element或者.previous_element方法。
搜索文檔樹
find_all(name,attrs,recursive,text,\kwargs)**，find_all()方法用于搜索當(dāng)前tag的所有tag子節(jié)點，并判斷是否符合過濾條件。
最簡單的過濾器是字符串，在搜索方法中傳入一個字符串參數(shù)，beautifulsoup會查找與字符串完整匹配的內(nèi)容，下面的例子用于查找文檔中的所有a標(biāo)簽
from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content,"lxml")
print(soup.find_all("a"))
運(yùn)行結(jié)果如下圖所示：
如果傳入正則表達(dá)式作為參數(shù)，beautiful soup會通過正則表達(dá)式的match()來匹配內(nèi)容，下面例子中找出所有以b開頭的標(biāo)簽，這表示b開頭標(biāo)簽都應(yīng)該被找到。
from bs4 import BeautifulSoup
import requests
import re
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content,"lxml")
for tag in soup.find_all(re.compile('^b')):
print(tag.name)
運(yùn)行結(jié)果如下圖所示：
如果傳入列表參數(shù),Beautiful Soup會將與列表中任一元素匹配的內(nèi)容返回.下面代碼找到文檔中所有標(biāo)簽和標(biāo)簽。
from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content,"lxml")
print(soup.find_all(["a", "p"]))
運(yùn)行結(jié)果如下圖所示：
true 可以匹配任何值,下面代碼查找到所有的tag,但是不會返回字符串節(jié)點。
from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content,"lxml")
for tag in soup.find_all(True):
print(tag.name)
運(yùn)行結(jié)果如下圖所示：
如果沒有合適過濾器,那么還可以定義一個函數(shù)，函數(shù)只接受一個元素參數(shù),如果這個方法返回 True 表示當(dāng)前元素匹配并且被找到,如果不是則返回 False。
from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content,"lxml")
def has_class_but_no_id(tag):
return tag.has_attr('class') and not tag.has_attr('id')
print(soup.find_all(has_class_but_no_id))
輸出結(jié)果如下圖所示：
注意：如果一個指定名字的參數(shù)不是搜索內(nèi)置的參數(shù)名，搜索時會把該參數(shù)當(dāng)作指定名字tag的屬性來搜索，如果包含一個名字為id的參數(shù)，Beautifulsoup會搜索每個tag的'id'值。
import re
from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content,"lxml")
print(soup.find_all(id='lg'))
print(soup.find_all(href=re.compile("hao123")))
運(yùn)行結(jié)果如下圖所示：
find(name , attrs , recursive , text , **kwargs )， 它與 find_all() 方法唯一的區(qū)別是 find_all() 方法的返回結(jié)果是值包含一個元素的列表,而 find() 方法直接返回結(jié)果。?
CSS選擇器
在使用BeautifulSoup中常用的有5中css選擇器方法，用到的方法是 soup.select()，返回類型是列表。
from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content,"lxml")
print(soup.select("title"))
運(yùn)行結(jié)果如下圖所示：
from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content,"lxml")
print(soup.select(".mnav"))
運(yùn)行結(jié)果如下圖所示：
from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content,"lxml")
print(soup.select("#lg"))
運(yùn)行結(jié)果如下圖所示：
組合查找有點類似前端CSS選擇器中的組合選擇器，組合查找還可以使用子代選擇器。
from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content,"lxml")
print(soup.select('div #lg'))
print(soup.select('div > a'))
運(yùn)行結(jié)果如下圖所示：
使用屬性需要用中括號括起來，注意屬性和標(biāo)簽屬于同一節(jié)點，所以中間不能加空格，否則會無法匹配到。
from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content,"lxml")
print(soup.select('a[class="mnav"]'))
from bs4 import BeautifulSoup
import requests
url = "https://www.baidu.com"
content = requests.get(url).content
soup = BeautifulSoup(content,"lxml")
print(soup.select('span input[class="bg s_btn"]'))
運(yùn)行結(jié)果如下圖所示：
修改文檔樹
Beautiful Soup的強(qiáng)項是文檔樹的搜索,但同時也可以方便的修改文檔樹
from bs4 import BeautifulSoup
import requests
soup = BeautifulSoup('<b class="boldest">Extremely bold</b>',"lxml")
tag = soup.b
tag.name = "newtag"
tag['class'] = 'newclass'
tag['id'] = 1
print(tag)
del tag['class']
print(tag)
運(yùn)行結(jié)果如下圖所示：
給tag的 .string 屬性賦值,就相當(dāng)于用當(dāng)前的內(nèi)容替代了原來的內(nèi)容，如果當(dāng)前的tag包含了其它tag,那么給它的 .string 屬性賦值會覆蓋掉原有的所有內(nèi)容包括子tag。
from bs4 import BeautifulSoup
import requests
markup = '<a >I linked to <i>example.com</i></a>'
soup = BeautifulSoup(markup,"lxml")
tag = soup.a
tag.string = "New link text."
print(tag)
運(yùn)行結(jié)果如下圖所示：
Tag.append() 方法可以在tag中添加內(nèi)容。
from bs4 import BeautifulSoup
import requests
soup = BeautifulSoup("<a>Foo</a>","lxml")
soup.a.append("Bar")
print(soup)
print(soup.a.contents)
運(yùn)行結(jié)果如下圖所示：
總結(jié)
本篇內(nèi)容比較多，把 Beautiful Soup 的方法進(jìn)行了大部分整理和總結(jié)，但是還不夠完整只是列出一些常用的，如果需要完整的可以查看Beautiful Soup 官網(wǎng)的文檔，希望對大家有幫助，掌握了 Beautiful Soup，一定會給你在數(shù)據(jù)爬取帶來方便。
本文轉(zhuǎn)載自微信公眾號「愛編碼的社畜」，可以通過以下二維碼關(guān)注。轉(zhuǎn)載本文請聯(lián)系愛編碼的社畜公眾號。
