Python爬虫笔记4-BeautifulSoup使用

摘要：方法作用查找所有符合条件的元素，返回的是列表形式参数可以根据节点名来查找元素。示例查询第一个标签查找第一个节点内容中有字符串的节点内容运行结果关于的使用就这样吧，常用个人就觉得用好即可参考链接崔庆才网络爬虫开发实战使用

与lxml一样，BeautifulSoup也是一个HTML/XML的解析器，主要功能也是如何解析和提取HTML/XML数据。

几种解析工具的对比

lxml 只会局部遍历，而Beautiful Soup 是基于HTML DOM的，会载入整个文档，解析整个DOM树，因此时间和内存开销都会大很多，所以性能要低于lxml。

安装
我的环境是Python 3.6.5，windows下cmd里执行pip安装即可。

pip3 install beautifulsoup4

测试
python终端里导入beautifulsoup，无报错信息即安装成功。

>>from bs4 import BeautifulSoup
>>

BeautifulSoup将复杂的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

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。
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。

Tag可以简单理解为HTML文档中的一个个的标签，比如：

first item

上面HTML文档中的head、title、ur、li都是HTML标签(节点名称)，这些标签加上里面的内容就是tag。

获取Tags

# 导入模块
from bs4 import BeautifulSoup

html = """


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.
...
"""
# 初始化BeautifulSoup对象，指定lxml解析器
soup = BeautifulSoup(html, "lxml")

# prettify()方法格式化soup的内容
print(soup.prettify())

# soup.title选出title节点
print(soup.title)
# 

print(type(soup.title))
# 

print(soup.head)
# 

print(soup.p)
# 
The Dormouse"s story

说明：使用soup加节点名称可以获取节点内容，这些对象的类型是bs4.element.Tag，但是它查找的是在内容中第一个符合要求的节点。比如上面代码有多个p标签，但是它只查找了第一个p标签。

对于Tag有两个重要的属性，name和attrs。当选择一个节点后，name属性获取节点的名称，attrs属性获取节点的属性(以字典形式返回)。

print(soup.name)
# [document] #soup 对象本身比较特殊，它的 name 即为 [document]
print(soup.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(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。

# 下面三种方法都可以获取字典里的值，是等价的，结果都一样
print(soup.p.get("class"))
# ["title"]
print(soup.p["class"])
# ["title"]
print(soup.p.attrs["class"])
# ["title"]

# 还可以针对属性或者内容进行修改
soup.p["class"] = "newClass"
print (soup.p)
# 
The Dormouse"s story

获取了Tag，也就是获取了节点内容，但是只想要获取节点内部的内容怎么办？只需使用.string即可。

# 获取节点内容
print(soup.p.string)
# The Dormouse"s story

print(type(soup.p.string))
# 

在选取节点的时候，也可以先选取一个节点，然后以这个节点为基准选取它的子节点，父节点，子孙节点等等，下面就介绍常用的选取方法。

.contents

tag的.contents属性可以将tag的直接子节点以列表的方式输出。
下面例子选取head节点为基准，.contents选取head的子节点title，然后以列表返回。

print(soup.head.contents)
# []

输出方式为列表，可以用列表索引来获取它的某一个元素.

print(soup.head.contents[0])
# 

.children

children属性和contents属性不同的是它返回的不是一个列表，而是一个生成器。可用for循环输出结果。

print(soup.head.children)
# 

for i in soup.head.children:
    print(i)
#     

上面两个属性都只能获取到基准节点的下一个节点，要想获取节点的所有子孙节点，就可以使用descendants属性了。它返回的也是一个生成器。

print(soup.descendants)
# 

还有其他属性如查找父节点，组父节点的属性就不记录了(平时很少用)。

BeautifulSoup提供了一些查询方法(find_all,find等)，调用对应方法，输入查询参数就可以得到我们想要的内容了，可以理解为搜索引擎的功能。(百度/谷歌=查询方法，查询内容=查询参数，返回的网页=想要的内容)
下面介绍最常用的find_all方法。

作用：查找所有符合条件的元素，返回的是列表形式
API：find_all(name, attrs, recursive, text, **kwargs)
1. name
name 参数可以根据节点名来查找元素。
A. 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,BeautifulSoup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

标签。

print(soup.find_all("p"))
# 通常以下面方式写比较好
print(soup.find_all(name="p"))

B.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p开头的标签。

import re
print(soup.find_all(re.compile("^p")))

C.传列表
如果传入列表参数,BeautifulSoup会将与列表中任一元素匹配的内容返回。下面代码会找到HTML代码中的head标签和b标签。

print(soup.find_all(["head","b"]))
# [, The Dormouse"s story]

2. attrs
find_all中attrs参数可以根据节点属性查询。
查询时传入的参数是字典类型。比如查询id=link1的节点

print(soup.find_all(attrs={"id":"link1"}))
# []

对于常见的属性，可以不用以attrs来传递，直接传入查询参数即可。比如id,class_(class为Python关键字，使用下划线区分),如下:

print(soup.find_all(id="link1"))
print(soup.find_all(class_="sister"))

运行结果：

[]

[, Lacie, Tillie]

3. text
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。下面代码查找节点里内容中有story字符串的节点，并返回节点的内容。

print(soup.find_all(text=re.compile("story")))
# ["The Dormouse"s story", "The Dormouse"s story"]

find方法与find_all方法的区别：
find_all：查询符合所有条件的元素，返回列表。
find:只查找第一个匹配到的元素，返回单个元素，类型tag。
查询方法与find_all大同小异。示例：

print(soup.find(name="p")) # 查询第一个p标签
print(soup.find(text=re.compile("story"))) # 查找第一个节点内容中有story字符串的节点内容

运行结果：

The Dormouse"s story
The Dormouse"s story

关于BeautifulSoup的使用就这样吧，常用个人就觉得用好find_all即可(=.=~)

崔庆才 [Python3网络爬虫开发实战]：4.2-使用Beautiful Soup