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(name, attrs, recursive, text, limit, **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---