#目录 ---- 1. 开发前准备 2. 不同解析器对比 3. BeautifulSoup4 初始化和节点对象的认识 4. BS4 案例操作：初始化对象文档 5. 节点查询：子节点 6. 节点查询：父节点 7. 节点查询：兄弟节点 8. 节点查询：解析顺序 9. 高级查询： find/find_all 检索 10. 高级查询： CSS 选择器 ----
#1.开发前准备 - 官方文档： https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.html 官方文档中文版： https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/ - 命令安装方式 pip install beautifulsoup4 easy_install beautifulsoup4 下载源码包(tar.gz)安装 python setup.py install - 安装解析器： BeautifulSoup4 本身只包含解析器接口规则，支持 python 内置的 HTML 解析器，同时支持第三方的一些解析器[如 lxml] - 如果使用过程中没有指定使用解析器， BeautifulSoup4 会自动从当前的 python 环境中检索最优的解析器加载使用 pip install lxml or pip install html5lib
#2.不同解析器对比
| 解析器 | 使用 | 优缺点 |
|---|---|---|
| 标准库 | BeautifulSoup(html, ‘html.parser’) | 优点：内置标准库、执行速度适中、容错能力强. 缺点：对中文解析的容错能力有限 |
| lxml | BeautifulSoup(html, ‘lxml’) | 优点：速度快，容错能力强 缺点：需要安装 c 语言库 |
| lxml | BeautifulSoup(html, [‘lxml’, ‘xml’]) | 唯一支持 XML 的解析器 |
| html5lib | BeautifulSoup(html, ‘html5lib’) | 优点：容错能力最好, 浏览器方式解析文档, 生成 H5 格式的文档 缺点：速度慢,不依赖外部扩展 |
- 综上所述，优先推荐使用 lxml 解析器
#3.BeautifulSoup4 初始化和节点对象的认识 - BeautifulSoup4(BS4)可以将一个 html 文档数据流或者 html 文档对象或者 html 字符串，直接加载到 BS4 对象中，得到一个 BS4 的文档对象 --- from bs4 import BeautifulSoup --- soup = BeautifulSoup(open(‘index.html’)) --- soup = BeautifulSoup(‘……’) - BeautifulSoup4 将 HTML 结构化文档， 解析为树形结构化数据，树形文档对象中主要包含四种对象 --- tag: 标签节点对象节点 --- name: 标签名称对象节点 --- attributes: 标签属性对象节点， like dict，如果是多值属性，属性对应的值就是一个 list 数据 --- NavigateString: 标签中文本对象节点，可以直接通过 unicode()函数将文本转换成 unicode 字符串
#4.BS4 案例操作：初始化对象文档 ```# 目标数据 html_doc = """
The Dormouse's story
Once upon a time there were three little sisters; and their names were Elsie, Lacie and Tillie; and they lived at the bottom of a well.
...
""" from bs4 import BeautifulSoup # 构建 bs4 文档对象 soup = BeautifulSoup(html_doc, 'lxml') print(type(soup)) ##5.节点查询： 子节点 ``` # 节点名称查询 print(soup.title) #
The Dormouse's story
print(soup.a) # Elsie # 子节点查询 chs = soup.contents print(type(chs), len(chs)) ##6.节点查询：父节点 ``` # ##########################父节点查询
print(soup.a) # Elsie
查询直接父节点
print(soup.a.parent.name) # p
遍历查询所有父节点
print([tag.name for tag in soup.a.parents]) # ['p', 'body', 'html', '[document]']
<br>
#7.节点查询： 兄弟节点
##########################兄弟节点
获取当前节点
print(soup.a) # Elsie
获取前一个兄弟节点：得到文本节点
print(soup.a.previous_sibling) # Once upon a time there were three little sisters; and their
names were
获取后一个兄弟节点：得到文本节点
print(soup.a.next_sibling) #,
获取所有的前面的兄弟节点：得到所有紧跟当前节点前面的兄弟节点的生成器对象
print(soup.a.previous_siblings) # <generator object PageElement.previous_siblings at
0x000001EF06B57750>
获取所有的后面的兄弟节点：得到所有紧跟当前节点后面的兄弟节点的生成器对象
print(soup.a.next_siblings) # <generator object PageElement.next_siblings at 0x0000018A1B41F6D8>
<br>
#8.节点查询：解析顺序
BeautifulSoup4 提供了一种比较特殊的操作：按照文档的解析顺序进行节点的查询，解析顺序和浏览器解释 HTML 文档的顺序是一致的
#########################解析顺序节点
获取当前节点
print(soup.a) # Elsie
获取前一个兄弟节点：得到文本节点
print(soup.a.previous_element) # Once upon a time there were three little sisters; and their
names were
获取后一个兄弟节点：得到文本节点
print(soup.a.next_element) #Elsie
获取所有的前面的兄弟节点：得到所有紧跟当前节点前面的兄弟节点的生成器对象
print(soup.a.previous_elements) # <generator object PageElement.previous_elements at
0x0000013EC8C9F6D8>
获取所有的后面的兄弟节点：得到所有紧跟当前节点后面的兄弟节点的生成器对象
print(soup.a.next_elements) # <generator object PageElement.next_elements at 0x0000013EC8C9F6D8>
获取解析过程节点顺序
print([tag.name if tag.name else tag for tag in soup.html.next_elements])
➔ 解析结果：
['head', 'title', "The Dormouse's story", '
', 'body', '
', 'p', 'b', "The Dormouse's story", '
',
'p', 'Once upon a time there were three little sisters; and their names were
', 'a', 'Elsie', ',
', 'a',
'Lacie', ' and
', 'a', 'Tillie', ';
and they lived at the bottom of a well.', '
', 'p', '...', '
', '
',
'
']
<br>
#9.高级查询： find/find_all 检索
- find(name, attrs, recursive, text, **kwargs)
◼ 查询得到一个节点对象数据，如果结果不存在返回 None
◼ param name: 要查询的标签的名称
◼ param attrs: 要查询的属性字典，如{‘class’: ‘title’}
◼ param recursive: 是否查询所有包含的节点，默认 True
◼ param text: 查询的节点中包含的指定的内容
◼ param kwargs: 如果查询的属性不是内置的指定的属性，可以通过 kwargs 添加自定义属性
- find_all(name, attrs, recursive, text, limit, **kwargs)
◼ 查询得到一组节点对象数据，如果结果不存在返回[]
◼ param limit:查询的结果数量限制
◼ 其他参数参考 find(..)
- 查询过滤操作
◼ 条件查询： find_all(‘p’, {‘class’: ‘title’})
◼ 并且查询： find_all([‘p’, ‘a’])
◼ 属性查询： find_all(id=’link2’)
◼ 正则查询： find_all(text=re.compile(‘sisters’))
◼ 指定属性查询： find_all(class_=’sister’)
- 其他查询
◼ find_parent()/find_parents()
◼ find_previous_sibling()/find_previous_siblings()/find_next_sibling()/find_next_siblings()
◼ find_next()/find_all_next()/find_previous()/find_all_previous()
<br>
#10. 高级查询： CSS 选择器
- beautifulsoup.select(css syntax)
##########################css 查询
print(soup.select("title")) # 标签选择器
print(soup.select("#link1")) # id 选择器
print(soup.select(".sister")) # class 选择器
print(soup.select("p > a")) # 子类选择器
print(soup.select("p a")) # 包含选择器
print(soup.select("p, a, b")) # 群组选择器
print(soup.select("#link1 ~ .sister")) # 兄弟选择器
print(soup.select("#link1 + .sister")) # 兄弟选择器
print(soup.select("p[class='title']")) # 属性选择器
print(soup.select("a:nth-of-type(2)")) # 伪类选择器