CSS 選擇器：BeautifulSoup4解析器
和 lxml 一樣，Beautiful Soup 也是一個HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 數據。
lxml 只會局部遍歷，而Beautiful Soup 是基于HTML DOM的，會載入整個文檔，解析整個DOM樹，因此時間和內存開銷都會大很多，所以性能要低于lxml。
BeautifulSoup 用來解析 HTML 比較簡單，API非常人性化，支持CSS選擇器、Python標準庫中的HTML解析器，也支持 lxml 的 XML解析器。
Beautiful Soup 3 目前已經停止開發，推薦現在的項目使用Beautiful Soup 4。使用 pip 安裝即可：pip install beautifulsoup4
官方文檔：http://beautifulsoup.readthedocs.io/zh_CN/v4.4.0
示例：
首先必須要導入 bs4 庫
# beautifulsoup4_test.py
from bs4 import BeautifulSoup
html = """
The Dormouse's story
Once upon a time there were three little sisters; and their names were
Lacie and
and they lived at the bottom of a well.
...
"""
#創建 Beautiful Soup 對象
soup = BeautifulSoup(html)
#打開本地 HTML 文件的方式來創建對象
#soup = BeautifulSoup(open('index.html'))
#格式化輸出 soup 對象的內容
print soup.prettify()
運行結果：
The Dormouse's story
Once upon a time there were three little sisters; and their names were
,
Lacie
and
Tillie
;
and they lived at the bottom of a well.
...
如果我們在 IPython2 下執行，會看到這樣一段警告：
意思是，如果我們沒有顯式地指定解析器，所以默認使用這個系統的最佳可用HTML解析器(“lxml”)。如果你在另一個系統中運行這段代碼，或者在不同的虛擬環境中，使用不同的解析器造成行為不同。
但是我們可以通過soup = BeautifulSoup(html,“lxml”)方式指定lxml解析器。
四大對象種類
Beautiful Soup將復雜HTML文檔轉換成一個復雜的樹形結構,每個節點都是Python對象,所有對象可以歸納為4種:
Tag
NavigableString
BeautifulSoup
Comment
1. Tag
Tag 通俗點講就是 HTML 中的一個個標簽，例如：
The Dormouse's story
上面的?title?head?a?p等等 HTML 標簽加上里面包括的內容就是 Tag，那么試著使用 Beautiful Soup 來獲取 Tags:
from bs4 import BeautifulSoup
html = """
The Dormouse's story
Once upon a time there were three little sisters; and their names were
Lacie and
and they lived at the bottom of a well.
...
"""
#創建 Beautiful Soup 對象
soup = BeautifulSoup(html)
print soup.title
#
print soup.head
#
print soup.a
print soup.p
#
The Dormouse's story
print type(soup.p)
#
我們可以利用 soup 加標簽名輕松地獲取這些標簽的內容，這些對象的類型是bs4.element.Tag。但是注意，它查找的是在所有內容中的第一個符合要求的標簽。如果要查詢所有的標簽，后面會進行介紹。
對于 Tag，它有兩個重要的屬性，是 name 和 attrs
print soup.name
# [document] #soup 對象本身比較特殊，它的 name 即為 [document]
print soup.head.name
# head #對于其他內部標簽，輸出的值便為標簽本身的名稱
print soup.p.attrs
# {'class': ['title'], 'name': 'dromouse'}
# 在這里，我們把 p 標簽的所有屬性打印輸出了出來，得到的類型是一個字典。
print soup.p['class'] # soup.p.get('class')
# ['title'] #還可以利用get方法，傳入屬性的名稱，二者是等價的
soup.p['class'] = "newClass"
print soup.p # 可以對這些屬性和內容等等進行修改
#
The Dormouse's story
del soup.p['class'] # 還可以對這個屬性進行刪除
print soup.p
#
The Dormouse's story
2. NavigableString
既然我們已經得到了標簽的內容，那么問題來了，我們要想獲取標簽內部的文字怎么辦呢？很簡單，用 .string 即可，例如
print soup.p.string
# The Dormouse's story
print type(soup.p.string)
# In [13]:
3. BeautifulSoup
BeautifulSoup 對象表示的是一個文檔的內容。大部分時候,可以把它當作 Tag 對象，是一個特殊的 Tag，我們可以分別獲取它的類型，名稱，以及屬性來感受一下
print type(soup.name)
#
print soup.name
# [document]
print soup.attrs # 文檔本身的屬性為空
# {}
4. Comment
Comment 對象是一個特殊類型的 NavigableString 對象，其輸出的內容不包括注釋符號。
print soup.a
print soup.a.string
# Elsie
print type(soup.a.string)
#
a 標簽里的內容實際上是注釋，但是如果我們利用 .string 來輸出它的內容時，注釋符號已經去掉了。
遍歷文檔樹
1. 直接子節點 ：.contents?.children?屬性
.content
tag 的 .content 屬性可以將tag的子節點以列表的方式輸出
print soup.head.contents
#[
輸出方式為列表，我們可以用列表索引來獲取它的某一個元素
print soup.head.contents[0]
#
.children
它返回的不是一個 list，不過我們可以通過遍歷獲取所有子節點。
我們打印輸出 .children 看一下，可以發現它是一個 list 生成器對象
print soup.head.children
#
for child in soup.body.children:
print child
結果:
The Dormouse's story
Once upon a time there were three little sisters; and their names were
Lacie and
and they lived at the bottom of a well.
...
2. 所有子孫節點:?.descendants?屬性
.contents 和 .children 屬性僅包含tag的直接子節點，.descendants 屬性可以對所有tag的子孫節點進行遞歸循環，和 children類似，我們也需要遍歷獲取其中的內容。
for child in soup.descendants:
print child
運行結果：
The Dormouse's story
Once upon a time there were three little sisters; and their names were
Lacie and
and they lived at the bottom of a well.
...
The Dormouse's story
The Dormouse's story
Once upon a time there were three little sisters; and their names were
Lacie and
and they lived at the bottom of a well.
...
The Dormouse's story
The Dormouse's story
The Dormouse's story
Once upon a time there were three little sisters; and their names were
Lacie and
and they lived at the bottom of a well.
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.
...
...
3. 節點內容:?.string?屬性
如果tag只有一個 NavigableString 類型子節點,那么這個tag可以使用 .string 得到子節點。如果一個tag僅有一個子節點,那么這個tag也可以使用 .string 方法,輸出結果與當前唯一子節點的 .string 結果相同。
通俗點說就是：如果一個標簽里面沒有標簽了，那么 .string 就會返回標簽里面的內容。如果標簽里面只有唯一的一個標簽了，那么 .string 也會返回最里面的內容。例如：
print soup.head.string
#The Dormouse's story
print soup.title.string
#The Dormouse's story
搜索文檔樹
1.find_all(name, attrs, recursive, text, **kwargs)
1）name 參數
name 參數可以查找所有名字為 name 的tag,字符串對象會被自動忽略掉
A.傳字符串
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,Beautiful Soup會查找與字符串完整匹配的內容,下面的例子用于查找文檔中所有的標簽:
soup.find_all('b')
# [The Dormouse's story]
print soup.find_all('a')
B.傳正則表達式
如果傳入正則表達式作為參數,Beautiful Soup會通過正則表達式的 match() 來匹配內容.下面例子中找出所有以b開頭的標簽,這表示
和標簽都應該被找到import re
for tag in soup.find_all(re.compile("^b")):
print(tag.name)
# body
# b
C.傳列表
如果傳入列表參數,Beautiful Soup會將與列表中任一元素匹配的內容返回.下面代碼找到文檔中所有標簽和標簽:
soup.find_all(["a", "b"])
# [The Dormouse's story,
# Elsie,
# Lacie,
# Tillie]
2）keyword 參數
soup.find_all(id='link2')
# [Lacie]
3）text 參數
通過 text 參數可以搜搜文檔中的字符串內容，與 name 參數的可選值一樣, text 參數接受 字符串 , 正則表達式 , 列表
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"]
CSS選擇器
這就是另一種與 find_all 方法有異曲同工之妙的查找方法.
寫 CSS 時，標簽名不加任何修飾，類名前加.，id名前加#
在這里我們也可以利用類似的方法來篩選元素，用到的方法是?soup.select()，返回類型是?list
（1）通過標簽名查找
print soup.select('title')
#[
print soup.select('a')
print soup.select('b')
#[The Dormouse's story]
（2）通過類名查找
print soup.select('.sister')
（3）通過 id 名查找
print soup.select('#link1')
（4）組合查找
組合查找即和寫 class 文件時，標簽名與類名、id名進行的組合原理是一樣的，例如查找 p 標簽中，id 等于 link1的內容，二者需要用空格分開
print soup.select('p #link1')
直接子標簽查找，則使用?>?分隔
print soup.select("head > title")
#[
（5）屬性查找
查找時還可以加入屬性元素，屬性需要用中括號括起來，注意屬性和標簽屬于同一節點，所以中間不能加空格，否則會無法匹配到。
print soup.select('a[class="sister"]')
print soup.select('a[)
同樣，屬性仍然可以與上述查找方式組合，不在同一節點的空格隔開，同一節點的不加空格
print soup.select('p a[)
(6) 獲取內容
以上的 select 方法返回的結果都是列表形式，可以遍歷形式輸出，然后用 get_text() 方法來獲取它的內容。
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()
CSS HTML
版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。
版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。
相關文章
