Python下利用BeautifulSoup解析HTML的实现
作者:东凌阁
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 Soup pip install bs4 # 解析器 pip install lxml pip 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Tag soup.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_siblings for 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_siblings for 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.b tag.name = "blockquote" tag['class'] = 'verybold' tag['id'] = 1 tag.string = "New link text." print(tag)
修改标签内容(NavigableString)
soup = BeautifulSoup('<b class="boldest">Extremely bold</b>') tag = soup.b tag.string = "New link text."
添加标签内容(NavigableString)
soup = BeautifulSoup("<a>Foo</a>") tag = soup.a tag.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 Comment soup = 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.b new_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.a tag.contents tag.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.a a_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_tag soup # 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.i new_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脚本之家。