• 【python】--BeautifulSoup


    背景

      

    简单来说,Beautiful Soup是python的一个库,最主要的功能是从网页抓取数据。官方解释如下:
    
        Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱,通过解析文档为用户提供需要抓取的数据,因为简单,所以不需要多少代码就可以写出一个完整的应用程序。
    
        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。你不需要考虑编码方式,除非文档没有指定一个编码方式,这时,Beautiful Soup就不能自动识别编码方式了。然后,你仅仅需要说明一下原始编码方式就可以了。
    
        Beautiful Soup已成为和lxml、html6lib一样出色的python解释器,为用户灵活地提供不同的解析策略或强劲的速度。
    
    废话不多说,我们来试一下吧~

    下载安装

      官网地址:http://www.crummy.com/software/BeautifulSoup/bs4/download/

      使用pycharm的话,可以在setting中安装

      命令安装:  pip3  install beautifulsoup4

            sudo python setup.py install

    使用 

    from bs4 import BeautifulSoup

    开始测试

      我们创建一个字符串,后面的例子我们便会用它来演示

    html = """
    <html><head><title>The Dormouse's story</title></head>
    <body>
    <p class="title" name="dromouse"><b>The Dormouse's story</b></p>
    <p class="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.</p>
    <p class="story">...</p>
    """  

      创建 beautifulsoup 对象  

    soup = BeautifulSoup(html)

    soup = BeautifulSoup(open("index.html")) #index.html,本地文件

      打印soup对象的内容,格式化输出

        print(soup.prettify())

    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:

    • Tag

        HTML中的一个个标签,例如:

          <title>The Dormouse's story</title>

     我们可以利用 soup加标签名轻松地获取这些标签的内容:       

    print(soup.title)
    
    #<title>The Dormouse's story</title>
    
    print(soup.head)
    
    #<head><title>The Dormouse's story</title></head>
    
    print(soup.a)
    
    #<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
    
    print(soup.p)
    
    #<p class="title" name="dromouse"><b>The Dormouse's story</b></p>

    Tag的两个属性

    name

      

    print soup.name
    print soup.head.name
    #[document]
    #head

      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。

    attrs

    print(soup.p.attrs)
    
    #{'class': ['title'], 'name': 'dromouse'}

    在这里,我们把 p 标签的所有属性打印输出了出来,得到的类型是一个字典。

    如果我们想要单独获取某个属性,可以这样,例如我们获取它的 class 叫什么

      

    print(soup.p[“class"])
    #['title']

    还可以这样,利用get方法,传入属性的名称,二者是等价的

    print(soup.p.get("class"))
    #['title']

    我们可以对这些属性和内容等等进行修改,例如

    soup.p["class"]="newClass"
    print(soup.p)
    #<p class="newClass" name="dromouse"><b>The Dormouse's story</b></p>

    还可以对这个属性进行删除,例如

    del soup.p["class"]
    print(soup.p)
    #<p name="dromouse"><b>The Dormouse's story</b></p>
    • NavigableString

      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(soup.p.string)
    #The Dormouse's story

      这样我们就轻松获取到了标签里面的内容,它的类型是一个 NavigableString,翻译过来叫 可以遍历的字符串.

    print(type(soup.p.string))
    #<class 'bs4.element.NavigableString'>
    • 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,以及属性来感受一下

    print type(soup.name)
    #<type 'unicode'>
    print soup.name 
    # [document]
    print soup.attrs 
    #{} 空字典
    • 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,但是如果不好好处理它,可能会对我们的文本处理造成意想不到的麻烦

      我们找一个带注释的标签

    print(soup.a)
    print(soup.a.string)
    print(type(soup.a.string))

    结果:
    <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
     Elsie
    <class 'bs4.element.Comment'>

      a 标签里的内容实际上是注释,但是如果我们利用 .string 来输出它的内容,我们发现它已经把注释符号去掉了,所以这可能会给我们带来不必要的麻烦。

      另外我们打印输出下它的类型,发现它是一个 Comment 类型,所以,我们在使用前最好做一下判断,判断代码如下

    if type(soup.a.string)==bs4.element.Comment:
        print soup.a.string

      上面的代码中,我们首先判断了它的类型,是否为 Comment 类型,然后再进行其他操作,如打印输出。

    遍历文档树

    直接子节点

        属性:.contents  .children 

      .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)
    <p class="title" name="dromouse"><b>The Dormouse's story</b></p>
    
    <p class="story">Once upon a time there were three little sisters; and their names were
    <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></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.</p>
    
    
    <p class="story">...</p>

    所有子孙节点

      .descendants 属性

        .contents.children 属性仅包含tag的直接子节点,.descendants 属性可以对所有tag的子孙节点进行递归循环,和 children类似,我们也需要遍历获取其中的内容。

    for child in soup.descendants:
        print(child)

    结果:
    所有的节点都被打印出来了,先是最外层的 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>
    <p class="title" name="dromouse"><b>The Dormouse's story</b></p>
    <p class="story">Once upon a time there were three little sisters; and their names were
    <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></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.</p>
    <p class="story">...</p>
    </body></html>
    <head><title>The Dormouse's story</title></head>
    <title>The Dormouse's story</title>
    The Dormouse's story


    <body>
    <p class="title" name="dromouse"><b>The Dormouse's story</b></p>
    <p class="story">Once upon a time there were three little sisters; and their names were
    <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></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.</p>
    <p class="story">...</p>
    </body>


    <p class="title" name="dromouse"><b>The Dormouse's story</b></p>
    <b>The Dormouse's story</b>
    The Dormouse's story


    <p class="story">Once upon a time there were three little sisters; and their names were
    <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></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.</p>
    Once upon a time there were three little sisters; and their names were

    <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
     Elsie
    ,

    <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>
    Lacie
     and

    <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
    Tillie
    ;
    and they lived at the bottom of a well.


    <p class="story">...</p>
    ...

    节点内容

      .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。

      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

    多个内容  .string     

        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'
    
    '
        # u"The Dormouse's story"
        # u'
    
    '
        # u'Once upon a time there were three little sisters; and their names were
    '
        # u'Elsie'
        # u',
    '
        # u'Lacie'
        # u' and
    '
        # u'Tillie'
        # u';
    and they lived at the bottom of a well.'
        # u'
    
    '
        # u'...'
        # u'
    '

      .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';
    and they lived at the bottom of a well.'
        # u'...'

    父节点

      .parent属性

    p = soup.p
    print p.parent.name
    #body
    content = soup.head.title.string
    print content.parent.name
    #title

    全部父节点

      .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

    结果
    title
    head
    html
    [document]

    兄弟节点

      .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

      

    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
    #<p class="story">Once upon a time there were three little sisters; and their names were
    #<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></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.</p>
    #下一个节点的下一个兄弟节点是我们可以看到的节点

    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

    全部兄弟节点

      .next_siblings  .previous_siblings 属性

    通过 .next_siblings.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',
    '
        # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>
        # u' and
    '
        # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
        # u'; and they lived at the bottom of a well.'
        # None

    前后节点

      .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

    所有前后节点

      .next_elements  .previous_elements 属性

    通过 .next_elements.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';
    and they lived at the bottom of a well.'
    # u'
    
    '
    # <p class="story">...</p>
    # u'...'
    # u'
    '
    # None

    搜索文档树

      1find_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

      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

      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<b>标签

    soup.find_all('b')
    # [<b>The Dormouse's story</b>]

    print soup.find_all('a')
    #[<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>]

      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<b>标签都应该被找到

    import re
    for tag in soup.find_all(re.compile("^b")):
        print(tag.name)
    # body
    # b

      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<b>标签

    soup.find_all(["a", "b"])
    # [<b>The Dormouse's story</b>,
    #  <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>]

      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

      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,如果不是则反回 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<p>标签:

    soup.find_all(has_class_but_no_id)
    # [<p class="title"><b>The Dormouse's story</b></p>,
    #  <p class="story">Once upon a time there were...</p>,
    #  <p class="story">...</p>]

      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>]

      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"]

      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>]

      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)
    # []

      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

      find_parents()  find_parent()

      find_all()find() 只搜索当前节点的所有子节点,孙子节点等. find_parents()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

      

      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  

      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

      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

      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

    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  

      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"><!-- 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>]
    print soup.select('b')
    #[<b>The Dormouse's story</b>]

      通过类名查找

    print soup.select('.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>]

      通过 id 名查找

    print soup.select('#link1')
    #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

      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"><!-- Elsie --></a>]

      直接子标签查找

    print soup.select("head > title")
    #[<title>The Dormouse's story</title>]

      

      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"><!-- 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>]
    print soup.select('a[href="http://example.com/elsie"]')
    #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></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"><!-- Elsie --></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()
    人生短短数十载,经不起几次重头再来
  • 相关阅读:
    团体程序设计天梯赛-练习集L1-002. 打印沙漏
    团体程序设计天梯赛-练习集L1-001. Hello World
    腾讯的一笔画游戏
    Educational Codeforces Round 11
    POJ 1149 PIGS
    POJ 3422 Kaka's Matrix Travels
    POJ 2914 Minimum Cut
    POJ 1815 Friendship
    POJ 1966 Cable TV Network
    BZOJ 1797: [Ahoi2009]Mincut 最小割
  • 原文地址:https://www.cnblogs.com/bk770466199/p/6399007.html
Copyright © 2020-2023  润新知