Python（00）：BeautifulSoup（BS4）解析HTML和XML
⼀、Beautiful Soup概述：
Beautiful Soup⽀持从HTML或XML⽂件中提取数据的Python库；
正则匹配到第一个关键字就停止它⽀持Python标准库中的HTML解析器，还⽀持⼀些第三⽅的解析器lxml。
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。
1、安装：
pip install beautifulsoup4
可选择安装解析器
pip install lxml
pip install html5lib
2、解析器⽐较：
⼆、BeautifulSoup4简单使⽤
假设有这样⼀个Html，具体内容如下：
<!DOCTYPE html>
<html>
<head>
<meta content="text/html;charset=utf-8" http-equiv="content-type"/>
<meta content="IE=Edge" http-equiv="X-UA-Compatible"/>
<meta content="always" name="referrer"/>
<link href="ss1.bdstatic/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css" rel="stylesheet" type="text/css"/> <title>百度⼀下，你就知道</title>
</head>
<body link="#0000cc">
<div id="wrapper">
<div id="head">
<div class="head_wrapper">
<div id="u1">
<a class="mnav" href="news.baidu" name="tj_trnews">新闻</a>
<a class="mnav" href="www.hao123" name="tj_trhao123">hao123 </a>
<a class="mnav" href="map.baidu" name="tj_trmap">地图</a>
<a class="mnav" href="v.baidu" name="tj_trvideo">视频</a>
<a class="mnav" href="tieba.baidu" name="tj_trtieba">贴吧</a>
<a class="bri" href="//www.baidu/more/" name="tj_briicon" >更多产品</a>
</div>
</div>
</div>
</div>
</body>
</html>
创建beautifulsoup4对象：
from bs4 import BeautifulSoup
file = open('./aa.html', 'rb')
html = ad()
bs = BeautifulSoup(html, "html.parser")  # 缩进格式
print(bs.prettify())  # 格式化html结构
print(bs.title)  #
print(bs.title.name)  # 获取title标签的名称 :title
print(bs.title.string)  # 获取title标签的⽂本内容 :  百度⼀下，你就知道
print(bs.head)  # 获取head标签的所有内容 :
print(bs.div)  # 获取第⼀个div标签中的所有内容  :
print(bs.div["id"])  # 获取第⼀个div标签的id的值      :    wrapper
print(bs.a)  # 获取第⼀个a标签中的所有内容    :
print(bs.find_all("a"))  # 获取所有的a标签中的所有内容    :  [....]
print(bs.find(id="u1"))  # 获取id="u1"的所有内容 :
for item in bs.find_all("a"):  # 获取所有的a标签，并遍历打印a标签中的href的值    :
("href"))
for item in bs.find_all("a"):  # 获取所有的a标签，并遍历打印a标签的⽂本值:
_text())
三、BeautifulSoup4四⼤对象种类
BeautifulSoup4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、
1、Tag：标签
Tag通俗点讲就是HTML中的⼀个个标签，例如：
print(bs.title) # 获取title标签的所有内容
print(bs.head) # 获取head标签的所有内容
print(bs.a) # 获取第⼀个a标签的所有内容
print(type(bs.a))# 类型
我们可以利⽤ soup 加标签名轻松地获取这些标签的内容，这些对象的类型是bs4.element.Tag。但是注意，它查的是在所有内容中的第⼀个符合要求的标签。
对于 Tag，它有两个重要的属性，是 name 和 attrs：
print(bs.name) # [document] #bs 对象本⾝⽐较特殊，它的 name 即为 [document]
print(bs.head.name) # head #对于其他内部标签，输出的值便为标签本⾝的名称
print(bs.a.attrs) # 在这⾥，我们把 a 标签的所有属性打印输出了出来，得到的类型是⼀个字典。
print(bs.a['class']) ##还可以利⽤get⽅法，传⼊属性的名称，⼆者是等价的，等价 ('class')
bs.a['class'] = "newClass"# 可以对这些属性和内容等等进⾏修改
print(bs.a)
del bs.a['class'] # 还可以对这个属性进⾏删除
print(bs.a)
2、NavigableString：标签内部的⽂字
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：
print(bs.title.string)  # 百度⼀下，你就知道
print(type(bs.title.string))  #
3、BeautifulSoup：⽂档的内容
BeautifulSoup对象表⽰的是⼀个⽂档的内容。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，例如：
print(type(bs.name))  #
print(bs.name)  # [document]
print(bs.attrs)  # {}
4、Comment：注释
Comment 对象是⼀个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号。
print(bs.a)
# 此时不能出现空格和换⾏符，a标签如下：
#
print(bs.a.string) # 新闻
print(type(bs.a.string)) #
四、遍历⽂档树所⽤属性
.contents：获取Tag的所有⼦节点，返回⼀个list
print(ts)    # tag的.contents属性可以将tag的⼦节点以列表的⽅式输出:[...]
print(ts[1])  # ⽤列表索引来获取它的某⼀个元素:
.children：获取Tag的所有⼦节点，返回⼀个⽣成器
for child in bs.body.children:
print(child)
.descendants：获取Tag的所有⼦孙节点
.parent：获取Tag的⽗节点
.parents：递归得到⽗辈元素的所有节点，返回⼀个⽣成器
.previous_sibling：获取当前Tag的上⼀个节点，属性通常是字符串或空⽩，真实结果是当前标签与上⼀个标签之间的顿号和换⾏符
.next_sibling：获取当前Tag的下⼀个节点，属性通常是字符串或空⽩，真是结果是当前标签与下⼀个标签之间的顿号与换⾏符
.previous_siblings：获取当前Tag的上⾯所有的兄弟节点，返回⼀个⽣成器
.next_siblings：获取当前Tag的下⾯所有的兄弟节点，返回⼀个⽣成器
.previous_element：获取解析过程中上⼀个被解析的对象(字符串或tag)，可能与previous_sibling相同，但通常是不⼀样的
.
next_element：获取解析过程中下⼀个被解析的对象(字符串或tag)，可能与next_sibling相同，但通常是不⼀样的
.previous_elements：返回⼀个⽣成器，可以向前访问⽂档的解析内容
.next_elements：返回⼀个⽣成器，可以向后访问⽂档的解析内容
.strings：如果Tag包含多个字符串，即在⼦孙节点中有内容，可以⽤此获取，⽽后进⾏遍历
.stripped_strings：与strings⽤法⼀致，只不过可以去除掉那些多余的空⽩内容
.has_attr：判断Tag是否包含属性
五、搜索⽂档树
1、find_all()：过滤器
find_all(name, attrs, recursive, text, **kwargs)：
find_all过滤器可以被⽤在tag的name中，节点的属性等。
（1）name参数：
字符串过滤：会查与字符串完全匹配的内容
a_list = bs.find_all("a")
print(a_list)
正则表达式过滤：如果传⼊的是正则表达式，那么BeautifulSoup4会通过search()来匹配内容
import re
t_list = bs.find_all(repile("a"))
for item in t_list:
print(item)
列表：如果传⼊⼀个列表，BeautifulSoup4将会与列表中的任⼀元素匹配到的节点返回
t_list = bs.find_all(["meta","link"])
for item in t_list:
print(item)
⽅法：传⼊⼀个⽅法，根据⽅法来匹配
def name_is_exists(tag):
return tag.has_attr("name")
t_list = bs.find_all(name_is_exists)
for item in t_list:
print(item)
（2）kwargs参数：
t_list = bs.find_all(id="head")  # 查询id=head的Tag
t_list = bs.find_all(href=repile())  # 查询href属性包含ss1.bdstatic的Tag
t_list = bs.find_all(class_=True) # 查询所有包含class的Tag(注意：class在Python中属于关键字，所以加_以⽰区别)
for item in t_list:
print(item)
（3）attrs参数：
并不是所有的属性都可以使⽤上⾯这种⽅式进⾏搜索，⽐如HTML的data-*属性：
t_list = bs.find_all(data-foo="value")
如果执⾏这段代码，将会报错。我们可以使⽤attrs参数，定义⼀个字典来搜索包含特殊属性的tag：
t_list = bs.find_all(attrs={"data-foo":"value"})
for item in t_list:
print(item)
（4）text参数：
通过text参数可以搜索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
t_list = bs.find_all(text="hao123")
t_list = bs.find_all(text=["hao123", "地图", "贴吧"])
t_list = bs.find_all(text=repile("\d"))
当我们搜索text中的⼀些特殊属性时，同样也可以传⼊⼀个⽅法来达到我们的⽬的：
def length_is_two(text):
return text and len(text) == 2
t_list = bs.find_all(text=length_is_two)
（5）limit参数：
可以传⼊⼀个limit参数来限制返回的数量，当搜索出的数据量为5，⽽设置了limit=2时，此时只会返回前2个数据t_list = bs.find_all("a",limit=2)
find_all除了上⾯⼀些常规的写法，还可以对其进⾏⼀些简写：
# 下⾯两者是相等的
t_list = bs.find_all("a")
t_list = bs("a")
# 下⾯两者是相等的
t_list = bs.a.find_all(text="新闻")
t_list = bs.a(text="新闻")
2、find()
find()将返回符合条件的第⼀个Tag，有时我们只需要或⼀个Tag时，我们就可以⽤到find()⽅法了。当然了，也可以使⽤find_all()⽅法，传⼊⼀个limit=1，然后再取出第⼀个值也是可以的，不过未免繁琐。
t_list = bs.find_all("title",limit=1) # 返回只有⼀个结果的列表
t = bs.find("title") # 返回唯⼀值
t = bs.find("abc") # 如果没有到，则返回None
从结果可以看出find_all，尽管传⼊了limit=1，但是返回值仍然为⼀个列表，当我们只需要取⼀个值时，远不如find⽅法⽅便。但是如果未搜索到值时，将返回⼀个None。
在上⾯介绍BeautifulSoup4的时候，我们知道可以通过bs.div来获取第⼀个div标签，如果我们需要获取第⼀个div下的第⼀个div，我们可以这样：
t = bs.div.div
# 等价于
t = bs.find("div").find("div")
六、CSS选择器：select()⽅法
BeautifulSoup⽀持部分的CSS选择器，在Tag获取BeautifulSoup对象的.select()⽅法中传⼊字符串参数，即可使⽤CSS选择器的语法到Tag:
print(bs.select('title'))  # 1、通过标签名查
print(bs.select('a'))
print(bs.select('.mnav'))  # 2、通过类名查
print(bs.select('#u1'))  # 3、通过id查
print(bs.select('div .bri'))  # 4、组合查
print(bs.select('a[class="bri"]'))  # 5、属性查
print(bs.select('a[href="tieba.baidu"]'))
print(bs.select("head > title"))  # 6、直接⼦标签查
print(bs.select(".mnav ~ .bri"))  # 7、兄弟节点标签查
print(bs.select('title')[0].get_text())  # 8、获取内容
七、综合实例：
from bs4 import BeautifulSoup
import requests,re
req_obj = ('www.baidu')
soup = BeautifulSoup(,'lxml')
'''标签查'''
print(soup.title)              #只是查出第⼀个
print(soup.find('title'))      #效果和上⾯⼀样
print(soup.find_all('div'))    #查出所有的div标签
'''获取标签⾥的属性'''
tag = soup.div
print(tag['class'])  #多属性的话，会返回⼀个列表
print(tag['id'])      #查标签的id属性
print(tag.attrs)      #查标签所有的属性，返回⼀个字典（属性名：属性值）
'''标签包的字符串'''
tag = soup.title
print(tag.string)                #获取标签⾥的字符串
place_with("哈哈")    #字符串不能直接编辑，可以替换
'''⼦节点的操作'''
tag = soup.head
print(tag.title)    #获取head标签后再获取它包含的⼦标签
'''contents 和 .children'''
tag = soup.body
ts)        #将标签的⼦节点以列表返回
print([child for child in tag.children])      #输出和上⾯⼀样
'''descendants'''
tag = soup.body
[print(child_tag) for child_tag in tag.descendants]    #获取所有⼦节点和⼦⼦节点

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。