python 中BeautifulSoup入門

yupeng發表於2013-10-10

在前面的例子用,我用了BeautifulSoup來從58同城抓取了手機維修的店鋪資訊,這個庫使用起來的確是很方便的。本文是BeautifulSoup 的一個詳細的介紹,算是入門把。文件地址:http://www.crummy.com/software/BeautifulSoup/bs4/doc/

什麼是BeautifulSoup?

Beautiful Soup 是用Python寫的一個HTML/XML的解析器,它可以很好的處理不規範標記並生成剖析樹(parse tree)。 它提供簡單又常用的導航(navigating),搜尋以及修改剖析樹的操作。它可以大大節省你的程式設計時間。

直接看例子:

#!/usr/bin/python
# -*- coding: utf-8 -*-

from bs4 import BeautifulSoup

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" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>

"""

soup = BeautifulSoup(html_doc)

print soup.title

print soup.title.name

print soup.title.string

print soup.p

print soup.a

print soup.find_all('a')

print soup.find(id='link3')

print soup.get_text()

結果為:

<title>The Dormouse's story</title>
title
The Dormouse's story
<p class="title"><b>The Dormouse's story</b></p>
<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>

The Dormouse's story
The Dormouse's story
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.
...

可以看出:soup 就是BeautifulSoup處理格式化後的字串,soup.title 得到的是title標籤,soup.p  得到的是文件中的第一個p標籤,要想得到所有標籤,得用find_all

函式。find_all 函式返回的是一個序列,可以對它進行迴圈,依次得到想到的東西.

get_text() 是返回文字,這個對每一個BeautifulSoup處理後的物件得到的標籤都是生效的。你可以試試 print soup.p.get_text()

其實是可以獲得標籤的其他屬性的,比如我要獲得a標籤的href屬性的值,可以使用 print soup.a['href'],類似的其他屬性,比如class也是可以這麼得到的(soup.a['class'])。

特別的,一些特殊的標籤,比如head標籤,是可以通過soup.head 得到,其實前面也已經說了。

如何獲得標籤的內容陣列?使用contents 屬性就可以 比如使用 print soup.head.contents,就獲得了head下的所有子孩子,以列表的形式返回結果,

可以使用 [num]  的形式獲得 ,獲得標籤,使用.name 就可以。

獲取標籤的孩子,也可以使用children,但是不能print soup.head.children 沒有返回列表,返回的是 <listiterator object at 0x108e6d150>,

不過使用list可以將其轉化為列表。當然可以使用for 語句遍歷裡面的孩子。

關於string屬性,如果超過一個標籤的話,那麼就會返回None,否則就返回具體的字串print soup.title.string 就返回了 The Dormouse's story

超過一個標籤的話,可以試用strings

向上查詢可以用parent函式,如果查詢所有的,那麼可以使用parents函式

查詢下一個兄弟使用next_sibling,查詢上一個兄弟節點使用previous_sibling,如果是查詢所有的,那麼在對應的函式後面加s就可以

如何遍歷樹?

 使用find_all 函式

find_all(nameattrsrecursivetextlimit**kwargs)

舉例說明:

print soup.find_all('title')
print soup.find_all('p','title')
print soup.find_all('a')
print soup.find_all(id="link2")
print soup.find_all(id=True)

返回值為:

[<title>The Dormouse's story</title>]
[<p class="title"><b>The Dormouse's story</b></p>]
[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
[<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]
[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

通過css查詢,直接上例子把:

print soup.find_all("a", class_="sister")
print soup.select("p.title")

通過屬性進行查詢
print soup.find_all("a", attrs={"class": "sister"})

通過文字進行查詢
print soup.find_all(text="Elsie")
print soup.find_all(text=["Tillie", "Elsie", "Lacie"])

限制結果個數
print soup.find_all("a", limit=2)

結果為:

[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
[<p class="title"><b>The Dormouse's story</b></p>]
[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
[u'Elsie']
[u'Elsie', u'Lacie', u'Tillie']
[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

總之,通過這些函式可以查詢到想要的東西。

---end---

相關文章