Python HTML解析器BeautifulSoup用法实例详解【爬虫解析器】（Python HTML解析器BeautifulSoup用法实例详解爬虫解析器）

时间：2021-10-23 10:13:27类别：脚本大全

Python HTML解析器BeautifulSoup用法实例详解【爬虫解析器】

Python HTML解析器BeautifulSoup用法实例详解爬虫解析器

本文实例讲述了python html解析器beautifulsoup用法。分享给大家供大家参考，具体如下：

beautifulsoup简介

我们知道，python拥有出色的内置html解析器模块——htmlparser，然而还有一个功能更为强大的html或xml解析工具——beautifulsoup（美味的汤），它是一个第三方库。简单来说，beautifulsoup最主要的功能是从网页抓取数据。本文我们来感受一下beautifulsoup的优雅而强大的功能吧！

beautifulsoup安装

beautifulsoup3 目前已经停止开发，推荐在现在的项目中使用beautifulsoup4，不过它已经被移植到bs4了，也就是说导入时我们需要 import bs4 。可以利用 pip 或者 easy_install 两种方法来安装。下面采用pip安装。

1 2	`pip install beautifulsoup4` `pip install lxml`

建议同时安装"lxml"模块，beautifulsoup支持python标准库中的html解析器（htmlparser），还支持一些第三方的解析器，如果我们不安装它，则 python 会使用 python默认的解析器，lxml 解析器更加强大，速度更快，推荐安装。

创建对象

安装后，创建对象：

1	`soup` `=` `beautifulsoup(markup='html文件',` `'lxml')`

格式化输出：

1	`soup.prettify()`

beautifulsoup四大对象类型

beautifulsoup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（标签）
navigablestring（内容）
beautifulsoup（文档）
comment（注释）

1.tag类型

即html的整个标签，如获取<title>标签：

1 2	`print` `soup.title` `#<title>the dormouse's story</title>`

tag有两个重要属性：name，attrs。

name

即html的标签名称：

1

2

3

4 print soup.name

#[document]

print soup.head.name

#head

attrs

即html的标签属性字典：

1 2	`print` `soup.p.attrs` `#{'class': ['title'], 'name': 'dromouse'}`

如果想要单独获取某个属性：

1 2	`print` `soup.p['class']` `#['title']`

2.navigablestring类型

既然我们已经得到了整个标签，那么问题来了，我们要想获取标签内部的文字内容怎么办呢？很简单，用 string 即可：

1 2	`print` `soup.p.string` `#the dormouse's story`

3.beautifulsoup类型

beautifulsoup 对象表示的是一个文档的全部内容.：

1 2	`print` `soup.name` `# [document]`

4.comment类型

html的注释内容，注意的是，不包含注释符号。我们首先判断它的类型，是否为 comment 类型，然后再进行其他操作，如打印输出：

1

2

3 if type(soup.a.string)==bs4.element.comment:

print soup.a.string

#

遍历文档树

1.子节点

contents

获取所有子节点，返回列表：

1 2	`print` `soup.head.contents` `#[<title>the dormouse's story</title>]`

children

获取所有子节点，返回列表生成器：

1

2

3

4

5

6

7

8

9

10

11

12

13 print soup.head.children

#<listiterator object at 0x7f71457f5710>

## 需要遍历

for child in soup.body.children:

print child

## 结果

<p class="title" name="dromouse">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" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link1"></a>,

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

<a class="sister" href="http://example.com/tillie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link3">tillie</a>;

and they lived at the bottom of a well.

<p class="story">...

2.节点内容

string

返回单个文本内容。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。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。例如：

1

2

3

4

5

6 print soup.head.string

print soup.title.string

#the dormouse's story

#the dormouse's story

print soup.html.string

# none

strings

返回多个文本内容，且包含空行和空格。

stripped_strings

返回多个文本内容，且不包含空行和空格：

1

2

3

4

5

6

7

8

9

10

11

12 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';\nand they lived at the bottom of a well.'

# u'...'

get_text()方法

返回当前节点和子节点的文本内容。

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24 from bs4 import beautifulsoup

html_doc = """

<html><head><title>the dormouse's story</title></head>

<body>

the dormouse's story

once upon a time there were three little sisters; and their names were

<a href="http://example.com/elsie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" class="sister1" id="link1">elsie</a>,

<a href="http://example.com/lacie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" class="sister2" id="link2">lacie</a> and

<a href="http://example.com/tillie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" class="sister3" id="link3">tillie</a>;

and they lived at the bottom of a well.



...

</body>

</html>

"""

soup = beautifulsoup(markup=html_doc,features='lxml')

node_p_text=soup.find('p',class_='story').get_text()　　　　# 注意class_带下划线

print(node_p_text)

# 结果

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.父节点

parent

返回某节点的直接父节点：

1

2

3 p = soup.p

print p.parent.name

#body

parents

返回某节点的所有父辈及以上辈的节点：

1

2

3

4

5

6

7

8 content = soup.head.title.string

for parent in content.parents:

print parent.name

## 结果

title

head

html

[document]

4.兄弟节点

next_sibling

next_sibling 属性获取该节点的下一个兄弟节点，结果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。

previous_sibling

previous_sibling 属性获取该节点的上一个兄弟节点。

1

2

3

4

5

6

7

8

9

10

11 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

#once upon a time there were three little sisters; and their names were

#<a class="sister" href="http://example.com/elsie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link1"></a>,

#<a class="sister" href="http://example.com/lacie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link2">lacie</a> and

#<a class="sister" href="http://example.com/tillie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link3">tillie</a>;

#and they lived at the bottom of a well.

#下一个节点的下一个兄弟节点是我们可以看到的节点

next_siblings、previous_siblings

迭代获取全部兄弟节点。

5.前后节点

next_element、previous_element

不是针对于兄弟节点，而是在于所有节点，不分层次的前一个和后一个节点。

next_elements、previous_elements

迭代获取所有前和后节点。

搜索文档树

1.find_all(name=none, attrs={}, recursive=true, text=none, limit=none, **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。

参数说明

name参数

name参数很强大，可以传多种方式的参数，查找所有名字为 name 的tag，字符串对象会被自动忽略掉。

（a）传标签名

最简单的过滤器是标签名。在搜索方法中传入一个标签名参数，beautifulsoup会查找与标签名完整匹配的内容，下面的例子用于查找文档中所有的<a>标签：

1

2 print soup.find_all('a')

#[<a class="sister" href="http://example.com/elsie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link1"></a>, <a class="sister" href="http://example.com/lacie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link2">lacie</a>, <a class="sister" href="http://example.com/tillie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link3">tillie</a>]

返回结果列表中的元素仍然是beautifulsoup对象。

（b）传正则表达式

如果传入正则表达式作为参数，beautifulsoup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>和标签都应该被找到：

1

2

3

4

5 import re

for tag in soup.find_all(re.compile("^b")):

print(tag.name)

# body

# b

（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。下面代码找到文档中所有<a>标签和标签：

1

2

3

4

5 soup.find_all(["a", "b"])

# [the dormouse's story,

# <a class="sister" href="http://example.com/elsie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link1">elsie</a>,

# <a class="sister" href="http://example.com/lacie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link2">lacie</a>,

# <a class="sister" href="http://example.com/tillie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link3">tillie</a>]

（d）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：

1

2

3

4

5

6

7

8

9

10

11 for tag in soup.find_all(true):

print(tag.name)

# html

# head

# title

# body

# p

# b

# p

# a

# a

（e）传函数

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。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：

1

2

3

4

5

6 def has_class_but_no_id(tag):

return tag.has_attr('class') and not tag.has_attr('id')

soup.find_all(has_class_but_no_id)

# [the dormouse's story,

# once upon a time there were...,

# ...]

keyword参数

注意的是，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,beautifulsoup会搜索每个tag的”id”属性：

1

2 soup.find_all(id='link2')

# [<a class="sister" href="http://example.com/lacie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link2">lacie</a>]

如果传入 href 参数，beautiful soup会搜索每个tag的"href"属性：

1

2 soup.find_all(href=re.compile("elsie"))

# [<a class="sister" href="http://example.com/elsie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" 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" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow"标签：Python BeautifulSou 爬虫解析器   
      
        
        
        上一篇下一篇
        
        猜您喜欢
        
        
          
              pythondjango搭建web（PythonWeb项目Django部署在Ubuntu18.04腾讯云主机上）
              python爬取微博登录数据（Python实现爬取马云的微博功能示例）
              python企业微信录信息（python获取微信企业号打卡数据并生成windows计划任务）
              python list基本操作（Python3中列表list合并的四种方法）
              协程在python中怎么使用（python协程之动态添加任务的方法）
              python中生成字符串序列（python实现字符串加密 生成唯一固定长度字符串）
              微信昵称python（Python 微信之获取好友昵称并制作wordcloud的实例）
              scrapy框架爬取小说的正文内容（Scrapy框架爬取Boss直聘网Python职位信息的源码）
              python怎么导入函数pandas（python将pandas datarame保存为txt文件的实例）
              如何用python识别微信内容（Python 实现微信防撤回功能）
              《傲骨之战》剧终 律政女魔头Diane，为什么是大女主天花板（傲骨之战剧终律政女魔头Diane）
              汉族（汉族的祖先是谁）
              中国有几个名族（中国有几个民族没列入56个民族）
              数学语文题目（语文的数学题）
              香蕉（香蕉三种人不宜吃）
              没钱可以快乐吗（没钱也能快乐吗）
              
       
        
         热门推荐
           
            
                1vue做个人页面（vue简易记事本开发详解）
                2sqlserver怎么调成混合登录（如何快速删掉SQL Server登录时登录名下拉列表框中的选项）
                3阿里云跟腾讯云的对比（阿里云、腾讯云的恩怨情仇）
                4数据库该不该用外键
                5idea的mysql如何连接（在IntelliJ IDEA中使用Java连接MySQL数据库的方法详解）
                6nginx配置使用环境变量（关于Nginx开启gzip的配置的问题）
                7docker部署带配置的镜像（docker安装fastdfs镜像的一些注意事项）
                8pythonwhile语句的原理（谈谈Python中的while循环语句）
                
      
    

© 2021 开心学习