BeautifulSoup模块函数详解
BeautifulSoup是Python的⼀个库，最主要的功能就是从⽹页爬取我们需要的数据。BeautifulSoup将html解析为对象进⾏处理，全部页⾯转变为字典或者数组，相对于正则表达式的⽅式，可以⼤⼤简化处理过程。
0x01 安装
建议安装BeautifulSoup 4版本利⽤pip进⾏安装:
pip install beautifulsoup4
BeautifulSoup默认⽀持Python的标准HTML解析库，但是它也⽀持⼀些第三⽅的解析库：
序号解析库使⽤⽅法优势劣势
1Python标准库BeautifulSoup(html,’html.parser’)Python内置标准库；执⾏速度快容错能⼒较差
2lxml HTML解析库BeautifulSoup(html,’lxml’)速度快；容错能⼒强需要安装，需要C语⾔库
3lxml XML解析库BeautifulSoup(html,[‘lxml’,’xml’])速度快；容错能⼒强；⽀持XML格式需要C语⾔库
4htm5lib解析库BeautifulSoup(html,’htm5llib’)以浏览器⽅式解析，最好的容错性速度慢
0x02 创建对象
导⼊库：
from bs4 import BeautifulSoup
创建实例：
url='www.baidu'
resp=urllib2.urlopen(url)
ad()
创建对象：
bs=BeautifulSoup(html)
格式化输出内容：
print bs.prettify()
0x03 对象种类
BeautifulSoup将复杂的html⽂档转换为树形结构，每⼀个节点都是⼀个对象，这些对象可以归纳为⼏种：
（1）Tagcss 属性选择器
Tag相当于html种的⼀个标签：
#提取Tag
print bs.title
print type(bs.title)
结果：
<title>百度⼀下，你就知道</title>
<class 'bs4.element.Tag'>
对于Tag，有⼏个重要的属性：
name：每个Tag对象的name就是标签本省的名称；
attrs：每个Tag对象的attrs就是⼀个字典，包含了标签的全部属性。
print bs.a.name
print bs.a.attrs
输出：
a
{u'href': u'/', u'id': u'result_logo', u'onmousedown': u"return c({'fm':'tab','tab':'logo'})"}
（2）NavigableString
Comment是⼀种特殊的NavigableString，对应的是注释的内容，但是其输出不包含注释符。看这样的⼀个例⼦：#coding:utf-8
from bs4 import BeautifulSoup
html='''
<a class="css" href="example/test" id="test"><!--test --></a>
'''
bs=BeautifulSoup(html,"html.parser")
print bs.a
print bs.a.string
运⾏结果：
<a class="css" href="example/test" id="test"><!--def --></a>
a标签的内容是注释，但是使⽤.string仍然输出了。这种情况下，我们需要做下判断：
#判断是否是注释
if type(bs.a.string)==element.Comment:
print bs.a.string
再看下⾯的例⼦：
<a class="css1" href="example/cdd" id="css">abc<!--def -->gh</a>
内容是注释和字符串混合，此时可以⽤contents获取全部对象：
for i in ts:
print i
如果需要忽略注释内容的话，可以利⽤get_text()或者.text：
print _text()
如果想在BeutifulSoup之外使⽤ NavigableString 对象，需要调⽤unicode()⽅法，将该对象转换成普通的Unicode字符串，否则就算BeautifulSoup已⽅法已经执⾏结束，该对象的输出也会带有对象的引⽤地址，这样会浪费内存。
0x04 搜索⽂档树
重点介绍下find_all()⽅法：
find_all( name , attrs , recursive , text , **kwargs )
（1）name参数
name参数可以查所有名字为name的Tag，字符串对象⾃动忽略掉。
print bs.find_all('a')
传列表：
print bs.find_all(['a','b'])
传⼊正则表达式：
print bs.find_all(repile('^b'))
所有以b开头的标签对象都会被到。
传递⽅法：
def has_class_but_not_id(tag):
return tag.has_attr('class') and not tag.has_attr('id')
print bs.find_all(has_class_but_not_id)
（2）kwyowrds关键字
print bs.find_all(id='css')
print bs.find_all(id=repile('^a'))
还可以混合使⽤：
print bs.find_all(id='css',href=repile('^ex'))
可以使⽤class作为过滤，但是class是Python中的关键字，可以使⽤class_代替，或者采⽤字典的形式传输参数：
print bs.find_all(class_='css')
print bs.find_all(attrs={'class':'css'})
（3）text参数
⽤来搜索⽂档中的字符串内容，text参数也接收字符串、正则表达式、列表、True等参数。
print bs.find_all(text=repile('^abc'))
（4）limit参数
限制返回对象的个数，与数据库SQL查询类似。
（5）recursive参数
调⽤tag的find_all()⽅法时，BeautifulSoup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。
0x05 CSS选择器
可以采⽤CSS的语法格式来筛选元素：
#标签选择器
print bs.select('a')
#类名选择器
print bs.select('.css')
#id选择器
print bs.select('#css')
#属性选择器
print bs.select('a[class="css"]')
#遍历
for tag in bs.select('a'):
_text()

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。