Python利用Beautiful Soup模塊搜索內(nèi)容詳解

更新時間：2017年03月29日 08:43:57 作者：Glumes

這篇文章主要給大家介紹了python中 Beautiful Soup 模塊的搜索方法函數(shù)。方法不同類型的過濾參數(shù)能夠進行不同的過濾，得到想要的結(jié)果。文中介紹的非常詳細，對大家具有一定的參考價值，需要的朋友們下面來一起看看吧。

前言

我們將利用 Beautiful Soup 模塊的搜索功能，根據(jù)標簽名稱、標簽屬性、文檔文本和正則表達式來搜索。

搜索方法

Beautiful Soup 內(nèi)建的搜索方法如下：

find()
find_all()
find_parent()
find_parents()
find_next_sibling()
find_next_siblings()
find_previous_sibling()
find_previous_siblings()
find_previous()
find_all_previous()
find_next()
find_all_next()

使用 find() 方法搜索

首先還是需要建立一個 HTML 文件用來做測試。

<html>
<body>
<div class="ecopyramid">
 <ul id="producers">
 <li class="producerlist">
  <div class="name">plants</div>
  <div class="number">100000</div>
 </li>
 <li class="producerlist">
  <div class="name">algae</div>
  <div class="number">100000</div>
 </li>
 </ul>
 <ul id="primaryconsumers">
 <li class="primaryconsumerlist">
  <div class="name">deer</div>
  <div class="number">1000</div>
 </li>
 <li class="primaryconsumerlist">
  <div class="name">rabbit</div>
  <div class="number">2000</div>
 </li>
 </ul>
 <ul id="secondaryconsumers">
 <li class="secondaryconsumerlist">
  <div class="name">fox</div>
  <div class="number">100</div>
 </li>
 <li class="secondaryconsumerlist">
  <div class="name">bear</div>
  <div class="number">100</div>
 </li>
 </ul>
 <ul id="tertiaryconsumers">
 <li class="tertiaryconsumerlist">
  <div class="name">lion</div>
  <div class="number">80</div>
 </li>
 <li class="tertiaryconsumerlist">
  <div class="name">tiger</div>
  <div class="number">50</div>
 </li>
 </ul>
</div>
</body>
</html>

我們可以通過 find() 方法來獲得 <ul> 標簽，默認情況下會得到第一個出現(xiàn)的。接著再獲取 <li> 標簽，默認情況下還是會得到第一個出現(xiàn)的，接著獲得 <div> 標簽，通過輸出內(nèi)容來驗證是否獲取了第一個出現(xiàn)的標簽。

from bs4 import BeautifulSoup
with open('search.html','r') as filename:
 soup = BeautifulSoup(filename,'lxml')
first_ul_entries = soup.find('ul')
print first_ul_entries.li.div.string

find() 方法具體如下：

find(name,attrs,recursive,text,**kwargs)

正如上代碼所示，find() 方法接受五個參數(shù)：name、attrs、recursive、text 和 **kwargs 。name 、attrs 和 text 參數(shù)都可以在 find() 方法充當(dāng)過濾器，提高匹配結(jié)果的精確度。

搜索標簽

除了上面代碼的搜索 <ul> 標簽外，我們還可以搜索 <li> 標簽，返回結(jié)果也是返回出現(xiàn)的第一個匹配內(nèi)容。

tag_li = soup.find('li')
# tag_li = soup.find(name = "li")
print type(tag_li)
print tag_li.div.string

搜索文本

如果我們只想根據(jù)文本內(nèi)容來搜索的話，我們可以只傳入文本參數(shù) ：

search_for_text = soup.find(text='plants')
print type(search_for_text)
<class 'bs4.element.NavigableString'>

返回的結(jié)果也是 NavigableString 對象。

根據(jù)正則表達式搜索

如下的一段 HTML 文本內(nèi)容

<div>The below HTML has the information that has email ids.</div>
 abc@example.com 
<div>xyz@example.com</div> 
 <span>foo@example.com</span>

可以看到 abc@example 郵件地址并沒有包括在任何標簽內(nèi)，這樣就不能根據(jù)標簽來找到郵件地址了。這個時候，我們可以使用正則表達式來進行匹配。

email_id_example = """
 <div>The below HTML has the information that has email ids.</div>
 abc@example.com
 <div>xyz@example.com</div>
 <span>foo@example.com</span>
 """
email_soup = BeautifulSoup(email_id_example,'lxml')
print email_soup
# pattern = "\w+@\w+\.\w+"
emailid_regexp = re.compile("\w+@\w+\.\w+")
first_email_id = email_soup.find(text=emailid_regexp)
print first_email_id

在使用正則表達式進行匹配時，如果有多個匹配項，也是先返回第一個。

根據(jù)標簽屬性值搜索

可以通過標簽的屬性值來搜索：

search_for_attribute = soup.find(id='primaryconsumers')
print search_for_attribute.li.div.string

根據(jù)標簽屬性值來搜索對大多數(shù)屬性都是可用的，例如：id、style 和 title 。

但是對以下兩種情況會有不同：

自定義屬性
類 ( class ) 屬性

我們不能再直接使用屬性值來搜索了，而是得使用 attrs 參數(shù)來傳遞給 find() 函數(shù)。

根據(jù)自定義屬性來搜索

在 HTML5 中是可以給標簽添加自定義屬性的，例如給標簽添加屬性。

如下代碼所示，如果我們再像搜索 id 那樣進行操作的話，會報錯的，Python 的變量不能包括 - 符號。

customattr = """
 <p data-custom="custom">custom attribute example</p>
   """
customsoup = BeautifulSoup(customattr,'lxml')
customsoup.find(data-custom="custom")
# SyntaxError: keyword can't be an expression

這個時候使用 attrs 屬性值來傳遞一個字典類型作為參數(shù)進行搜索：

using_attrs = customsoup.find(attrs={'data-custom':'custom'})
print using_attrs

基于 CSS 中的類進行搜索

對于 CSS 的類屬性，由于在 Python 中 class 是個關(guān)鍵字，所以是不能當(dāng)做標簽屬性參數(shù)傳遞的，這種情況下，就和自定義屬性一樣進行搜索。也是使用 attrs 屬性，傳遞一個字典進行匹配。

除了使用 attrs 屬性之外，還可以使用 class_ 屬性進行傳遞，這樣與 class 區(qū)別開了，也不會導(dǎo)致錯誤。

css_class = soup.find(attrs={'class':'producerlist'})
css_class2 = soup.find(class_ = "producerlist")
print css_class
print css_class2

使用自定義的函數(shù)搜索

可以給 find() 方法傳遞一個函數(shù)，這樣就會根據(jù)函數(shù)定義的條件進行搜索。

函數(shù)應(yīng)該返回 true 或者是 false 值。

def is_producers(tag):
 return tag.has_attr('id') and tag.get('id') == 'producers'
tag_producers = soup.find(is_producers)
print tag_producers.li.div.string

代碼中定義了一個 is_producers 函數(shù)，它將檢查標簽是否具體 id 屬性以及屬性值是否等于 producers，如果符合條件則返回 true ，否則返回 false 。

聯(lián)合使用各種搜索方法

Beautiful Soup 提供了各種搜索方法，同樣，我們也可以聯(lián)合使用這些方法來進行匹配，提高搜索的準確度。

combine_html = """
 <p class="identical">
  Example of p tag with class identical
 </p>
 <div class="identical">
  Example of div tag with class identical
 <div>
 """
combine_soup = BeautifulSoup(combine_html,'lxml')
identical_div = combine_soup.find("div",class_="identical")
print identical_div

使用 find_all() 方法搜索

使用 find() 方法會從搜索結(jié)果中返回第一個匹配的內(nèi)容，而 find_all() 方法則會返回所有匹配的項。

在 find() 方法中用到的過濾項，同樣可以用在 find_all() 方法中。事實上，它們可以用到任何搜索方法中，例如：find_parents() 和 find_siblings() 中。

# 搜索所有 class 屬性等于 tertiaryconsumerlist 的標簽。
all_tertiaryconsumers = soup.find_all(class_='tertiaryconsumerlist')
print type(all_tertiaryconsumers)
for tertiaryconsumers in all_tertiaryconsumers:
 print tertiaryconsumers.div.string

find_all() 方法為：

find_all(name,attrs,recursive,text,limit,**kwargs)

它的參數(shù)和 find() 方法有些類似，多個了 limit 參數(shù)。limit 參數(shù)是用來限制結(jié)果數(shù)量的。而 find() 方法的 limit 就是 1 了。

同時，我們也能傳遞一個字符串列表的參數(shù)來搜索標簽、標簽屬性值、自定義屬性值和 CSS 類。

# 搜索所有的 div 和 li 標簽
div_li_tags = soup.find_all(["div","li"])
print div_li_tags
print
# 搜索所有類屬性是 producerlist 和 primaryconsumerlist 的標簽
all_css_class = soup.find_all(class_=["producerlist","primaryconsumerlist"])
print all_css_class
print

搜索相關(guān)標簽

一般情況下，我們可以使用 find() 和 find_all() 方法來搜索指定的標簽，同時也能搜索其他與這些標簽相關(guān)的感興趣的標簽。

搜索父標簽

可以使用 find_parent() 或者 find_parents() 方法來搜索標簽的父標簽。

find_parent() 方法將返回第一個匹配的內(nèi)容，而 find_parents() 將返回所有匹配的內(nèi)容，這一點與 find() 和 find_all() 方法類似。

# 搜索 父標簽
primaryconsumers = soup.find_all(class_='primaryconsumerlist')
print len(primaryconsumers)
# 取父標簽的第一個
primaryconsumer = primaryconsumers[0]
# 搜索所有 ul 的父標簽
parent_ul = primaryconsumer.find_parents('ul')
print len(parent_ul)
# 結(jié)果將包含父標簽的所有內(nèi)容
print parent_ul
print
# 搜索,取第一個出現(xiàn)的父標簽.有兩種操作
immediateprimary_consumer_parent = primaryconsumer.find_parent()
# immediateprimary_consumer_parent = primaryconsumer.find_parent('ul')
print immediateprimary_consumer_parent

搜索同級標簽

Beautiful Soup 還提供了搜索同級標簽的功能。

使用函數(shù) find_next_siblings() 函數(shù)能夠搜索同一級的下一個所有標簽，而 find_next_sibling() 函數(shù)能夠搜索同一級的下一個標簽。

producers = soup.find(id='producers')
next_siblings = producers.find_next_siblings()
print next_siblings

同樣，也可以使用 find_previous_siblings() 和 find_previous_sibling() 方法來搜索上一個同級的標簽。

搜索下一個標簽

使用 find_next() 方法將搜索下一個標簽中第一個出現(xiàn)的，而 find_next_all() 將會返回所有下級的標簽項。

# 搜索下一級標簽
first_div = soup.div
all_li_tags = first_div.find_all_next("li")
print all_li_tags

搜索上一個標簽

與搜索下一個標簽類似，使用 find_previous() 和 find_all_previous() 方法來搜索上一個標簽。

總結(jié)

以上就是這篇文章的全部內(nèi)容了，希望本文的內(nèi)容對大家學(xué)習(xí)或者使用python能帶來一定的幫助，如果有疑問大家可以留言交流，謝謝大家對腳本之家的支持。

您可能感興趣的文章:

欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

Python利用Beautiful Soup模塊搜索內(nèi)容詳解

相關(guān)文章

最新評論

大家感興趣的內(nèi)容

最近更新的內(nèi)容

常用在線小工具