Python下利用BeautifulSoup解析HTML的实现-侯体宗的博客

Python下利用BeautifulSoup解析HTML的实现
Python / 管理员发布于 7年前 159

摘要

Beautiful Soup 是一个可以从 HTML 或 XML 格式文件中提取数据的 Python 库，他可以将HTML 或 XML 数据解析为Python 对象，以方便通过Python代码进行处理。

文档环境

Centos7.5
Python2.7
BeautifulSoup4

Beautifu Soup 使用说明

Beautiful Soup 的基本功能就是对HTML的标签进行查找及编辑。

基本概念-对象类型

Beautiful Soup 将复杂 HTML 文档转换成一个复杂的树形结构，每个节点都被转换成一个Python 对象，Beautiful Soup将这些对象定义了4 种类型: Tag、NavigableString、BeautifulSoup、Comment 。

对象类型	描述
BeautifulSoup	文档的全部内容
Tag	HTML的标签
NavigableString	标签包含的文字
Comment	是一种特殊的NavigableString类型，当标签中的NavigableString 被注释时，则定义为该类型

安装及引用

# Beautiful Souppip install bs4# 解析器pip install lxmlpip install html5lib

# 初始化from bs4 import BeautifulSoup# 方法一，直接打开文件soup = BeautifulSoup(open("index.html"))# 方法二，指定数据resp = "<html>data</html>"soup = BeautifulSoup(resp, 'lxml')# soup 为 BeautifulSoup 类型对象print(type(soup))

标签搜索及过滤

基本方法

标签搜索有find_all() 和find() 两个基本的搜索方法，find_all() 方法会返回所有匹配关键字的标签列表，find()方法则只返回一个匹配结果。

soup = BeautifulSoup(resp, 'lxml')# 返回一个标签名为"a"的Tagsoup.find("a")# 返回所有tag 列表soup.find_all("a")## find_all方法可被简写soup("a")#找出所有以b开头的标签for tag in soup.find_all(re.compile("^b")):  print(tag.name)#找出列表中的所有标签soup.find_all(["a", "p"])# 查找标签名为p，class属性为"title"soup.find_all("p", "title")# 查找属性id为"link2"soup.find_all(id="link2")# 查找存在属性id的soup.find_all(id=True)#soup.find_all(href=re.compile("elsie"), id='link1')# soup.find_all(attrs={"data-foo": "value"})#查找标签文字包含"sisters"soup.find(string=re.compile("sisters"))# 获取指定数量的结果soup.find_all("a", limit=2)# 自定义匹配方法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)# 仅对属性使用自定义匹配方法def not_lacie(href):    return href and not re.compile("lacie").search(href)soup.find_all(href=not_lacie)# 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 soup.find_all("title", recursive=False)

扩展方法

ind_parents()	所有父辈节点
find_parent()	第一个父辈节点
find_next_siblings()	之后的所有兄弟节点
find_next_sibling()	之后的第一个兄弟节点
find_previous_siblings()	之前的所有兄弟节点
find_previous_sibling()	之前的第一个兄弟节点
find_all_next()	之后的所有元素
find_next()	之后的第一个元素
find_all_previous()	之前的所有元素
find_previous()	之前的第一个元素

CSS选择器

Beautiful Soup支持大部分的CSS选择器 http://www.w3.org/TR/CSS2/selector.html, 在 Tag 或 BeautifulSoup 对象的 .select() 方法中传入字符串参数, 即可使用CSS选择器的语法找到tag。

html_doc = """<html><head> <title>The Dormouse's story</title></head><body> <p class="title"><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" rel="external nofollow" class="sister" id="link1">Elsie</a>,  <a href="http://example.com/lacie" rel="external nofollow" class="sister" id="link2">Lacie</a>  and  <a href="http://example.com/tillie" rel="external nofollow" class="sister" id="link3">Tillie</a>;  and they lived at the bottom of a well. </p> <p class="story">...</p>"""soup = BeautifulSoup(html_doc)# 所有 a 标签soup.select("a")# 逐层查找soup.select("body a")soup.select("html head title")# tag标签下的直接子标签soup.select("head > title")soup.select("p > #link1")# 所有匹配标签之后的兄弟标签soup.select("#link1 ~ .sister")# 匹配标签之后的第一个兄弟标签soup.select("#link1 + .sister")# 根据calss类名soup.select(".sister")soup.select("[class~=sister]")# 根据ID查找soup.select("#link1")soup.select("a#link1")# 根据多个ID查找soup.select("#link1,#link2")# 根据属性查找soup.select('a[href]')# 根据属性值查找soup.select('a[href^="http://example.com/"]')soup.select('a[href$="tillie"]')soup.select('a[href*=".com/el"]')# 只获取一个匹配结果soup.select(".sister", limit=1)# 只获取一个匹配结果soup.select_one(".sister")

标签对象方法

标签属性

soup = BeautifulSoup('<p class="body strikeout" id="1">Extremely bold</p><p class="body strikeout" id="2">Extremely bold2</p>')# 获取所有的 p标签对象tags = soup.find_all("p")# 获取第一个p标签对象tag = soup.p# 输出标签类型 type(tag)# 标签名tag.name# 标签属性tag.attrs# 标签属性class 的值tag['class']# 标签包含的文字内容，对象NavigableString 的内容tag.string# 返回标签内所有的文字内容for string in tag.strings:  print(repr(string))# 返回标签内所有的文字内容, 并去掉空行for string in tag.stripped_strings:  print(repr(string))# 获取到tag中包含的所有及包括子孙tag中的NavigableString内容，并以Unicode字符串格式输出tag.get_text()## 以"|"分隔tag.get_text("|")## 以"|"分隔，不输出空字符tag.get_text("|", strip=True)获取子节点tag.contents # 返回第一层子节点的列表tag.children # 返回第一层子节点的listiterator 对象for child in tag.children:  print(child)tag.descendants # 递归返回所有子节点for child in tag.descendants:  print(child)

获取父节点

tag.parent # 返回第一层父节点标签tag.parents # 递归得到元素的所有父辈节点for parent in tag.parents:  if parent is None:    print(parent)  else:    print(parent.name)

获取兄弟节点

# 下一个兄弟元素tag.next_sibling # 当前标签之后的所有兄弟元素tag.next_siblingsfor sibling in tag.next_siblings:  print(repr(sibling))# 上一个兄弟元素tag.previous_sibling# 当前标签之前的所有兄弟元素tag.previous_siblingsfor sibling in tag.previous_siblings:  print(repr(sibling))

元素的遍历

Beautiful Soup中把每个tag定义为一个“element”，每个“element”，被自上而下的在HTML中排列，可以通过遍历命令逐个显示标签

# 当前标签的下一个元素tag.next_element# 当前标签之后的所有元素for element in tag.next_elements:  print(repr(element))# 当前标签的前一个元素tag.previous_element# 当前标签之前的所有元素for element in tag.previous_elements:  print(repr(element))

修改标签属性

soup = BeautifulSoup('<b class="boldest">Extremely bold</b>')tag = soup.btag.name = "blockquote"tag['class'] = 'verybold'tag['id'] = 1tag.string = "New link text."print(tag)

修改标签内容（NavigableString)

soup = BeautifulSoup('<b class="boldest">Extremely bold</b>')tag = soup.btag.string = "New link text."

添加标签内容（NavigableString)

soup = BeautifulSoup("<a>Foo</a>")tag = soup.atag.append("Bar")tag.contents# 或者new_string = NavigableString("Bar")tag.append(new_string)print(tag)

添加注释(Comment)

注释是一个特殊的NavigableString 对象，所以同样可以通过append() 方法进行添加。

from bs4 import Commentsoup = BeautifulSoup("<a>Foo</a>")new_comment = soup.new_string("Nice to see you.", Comment)tag.append(new_comment)print(tag)

添加标签(Tag)

添加标签方法有两种，一种是在指定标签的内部添加（append方法），另一种是在指定位置添加(insert、insert_before、insert_after方法)

append方法

soup = BeautifulSoup("<b></b>")tag = soup.bnew_tag = soup.new_tag("a", href="http://www.example.com" rel="external nofollow" )new_tag.string = "Link text."tag.append(new_tag)print(tag)

* insert方法，是指在当前标签子节点列表的指定位置插入对象（Tag或NavigableString）

html = '<b><a href="http://example.com/" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" >I linked to <i>example.com</i></a></b>'soup = BeautifulSoup(html)tag = soup.atag.contentstag.insert(1, "but did not endorse ")tag.contents

insert_before() 和 insert_after() 方法则在当前标签之前或之后的兄弟节点添加元素

html = '<b><a href="http://example.com/" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" >I linked to <i>example.com</i></a></b>'soup = BeautifulSoup(html)tag = soup.new_tag("i")tag.string = "Don't"soup.b.insert_before(tag)soup.b

* wrap() 和 unwrap()可以对指定的tag元素进行包装或解包,并返回包装后的结果。

```python# 添加包装soup = BeautifulSoup("<p>I wish I was bold.</p>")soup.p.string.wrap(soup.new_tag("b"))#输出 <b>I wish I was bold.</b>soup.p.wrap(soup.new_tag("div"))#输出 <div><p><b>I wish I was bold.</b></p></div># 拆解包装markup = '<a href="http://example.com/" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" >I linked to <i>example.com</i></a>'soup = BeautifulSoup(markup)a_tag = soup.aa_tag.i.unwrap()a_tag#输出 <a href="http://example.com/" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" >I linked to example.com</a>

删除标签

html = '<b><a href="http://example.com/" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" >I linked to <i>example.com</i></a></b>'soup = BeautifulSoup(html)# 清楚当前标签的所有子节点soup.b.clear()# 将当前标签及所有子节点从soup 中移除,返回当前标签。b_tag=soup.b.extract()b_tagsoup# 将当前标签及所有子节点从soup 中移除，无返回。soup.b.decompose()# 将当前标签替换为指定的元素tag=soup.inew_tag = soup.new_tag("p")new_tag.string = "Don't"tag.replace_with(new_tag)

其他方法

输出

# 格式化输出tag.prettify()tag.prettify("latin-1")

使用Beautiful Soup解析后,文档都被转换成了Unicode，特殊字符也被转换为Unicode，如果将文档转换成字符串,Unicode编码会被编码成UTF-8.这样就无法正确显示HTML特殊字符了
使用Unicode时,Beautiful Soup还会智能的把“引号”转换成HTML或XML中的特殊字符

文档编码

使用Beautiful Soup解析后,文档都被转换成了Unicode，其使用了“编码自动检测”子库来识别当前文档编码并转换成Unicode编码。

soup = BeautifulSoup(html)soup.original_encoding# 也可以手动指定文档的编码 soup = BeautifulSoup(html, from_encoding="iso-8859-8")soup.original_encoding# 为提高“编码自动检测”的检测效率，也可以预先排除一些编码soup = BeautifulSoup(markup, exclude_encodings=["ISO-8859-7"])通过Beautiful Soup输出文档时,不管输入文档是什么编码方式,默认输出编码均为UTF-8编码文档解析器Beautiful Soup目前支持, “lxml”, “html5lib”, 和 “html.parser”soup=BeautifulSoup("<a><b /></a>")soup#输出： <html><body><a><b></b></a></body></html>soup=BeautifulSoup("<a></p>", "lxml")soup#输出： <html><body><a></a></body></html>soup=BeautifulSoup("<a></p>", "html5lib")soup#输出： <html><head></head><body><a><p></p></a></body></html>soup=BeautifulSoup("<a></p>", "html.parser")soup#输出： <a></a>

参考文档
https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持。

上一条：
Python利用Scrapy框架爬取豆瓣电影示例
下一条：
Python实现CNN的多通道输入实例

0条评论 (评论内容有缓存机制,请悉知!)