python3解析庫BeautifulSoup4的安裝配置與基本用法

更新時間：2018年06月26日 11:40:01 作者：Py.qi

簡單來說，BeautifulSoup就是Python的一個HTML或XML的解析庫，我們可以用它來方便地從網(wǎng)頁中提取數(shù)據(jù)，下面這篇文章主要給大家介紹了關(guān)于python3解析庫BeautifulSoup4的安裝配置與基本用法的相關(guān)資料，需要的朋友可以參考下

前言

Beautiful Soup是python的一個HTML或XML的解析庫，我們可以用它來方便的從網(wǎng)頁中提取數(shù)據(jù)，它擁有強大的API和多樣的解析方式。

Beautiful Soup的三個特點：

Beautiful Soup提供一些簡單的方法和python式函數(shù)，用于瀏覽，搜索和修改解析樹，它是一個工具箱，通過解析文檔為用戶提供需要抓取的數(shù)據(jù)
Beautiful Soup自動將轉(zhuǎn)入穩(wěn)定轉(zhuǎn)換為Unicode編碼，輸出文檔轉(zhuǎn)換為UTF-8編碼，不需要考慮編碼，除非文檔沒有指定編碼方式，這時只需要指定原始編碼即可
Beautiful Soup位于流行的Python解析器（如lxml和html5lib）之上，允許您嘗試不同的解析策略或交易速度以獲得靈活性。

1、Beautiful Soup4的安裝配置

Beautiful Soup4通過PyPi發(fā)布，所以可以通過系統(tǒng)管理包工具安裝，包名字為beautifulsoup4

$easy_install beautifulsoup4
或者
$pip install beautifulsoup4

也可用通過下載源碼包來安裝：

#wget https://www.crummy.com/software/BeautifulSoup/bs4/download/4.0/beautifulsoup4-4.1.0.tar.gz
#tar xf beautifulsoup4-4.1.0.tar.gz
#cd beautifulsoup4
#python setup.py install

Beautiful Soup在解析時實際上是依賴解析器的，它除了支持python標準庫中的HTML解析器外還支持第三方解析器如lxml

Beautiful Soup支持的解析器,以及它們的優(yōu)缺點:

解析器	使用方法	優(yōu)勢	劣勢
Python標準庫	BeautifulSoup(markup,"html.parser")	Python的內(nèi)置標準庫執(zhí)行速度適中文檔容錯能力強	Python 2.7.3 or 3.2.2)前的版本中文檔容錯能力差
lxml HTML 解析器	BeautifulSoup(markup,"lxml")	速度快文檔容錯能力強	需要安裝C語言庫
lxml XML 解析器	BeautifulSoup(markup,["lxml", "xml"]) BeautifulSoup(markup,"xml")	速度快唯一支持XML的解析器	需要安裝C語言庫
html5lib	BeautifulSoup(markup,"html5lib")	最好的容錯性以瀏覽器的方式解析文檔生成HTML5格式的文檔	速度慢不依賴外部擴展

安裝解析器：

$pip install lxml
$pip install html5lib

推薦使用lxml作為解析器,因為效率更高. 在Python2.7.3之前的版本和Python3中3.2.2之前的版本,必須安裝lxml或html5lib, 因為那些Python版本的標準庫中內(nèi)置的HTML解析方法不夠穩(wěn)定

2、BeautifulSoup的基本用法

通過傳入一段字符或一個文件句柄，BeautifulSoup的構(gòu)造方法就能得到一個文檔的對象，選擇合適的解析器來解析文檔，如手動指定將選擇指定的解析器來解析文檔,Beautiful Soup將復雜的HTML文檔轉(zhuǎn)換成一個復雜的樹形結(jié)構(gòu)，每個節(jié)點都是python對象，所有對象可以歸納為4種：Tag、NavigableString、BeautifulSoup、Comment

注意：BeautifulSoup版本4的包是在bs4中引入的

from bs4 import BeautifulSoup

#下面代碼示例都是用此文檔測試
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  rel="external nofollow" class="sister" id="link1">Elsie</a>,
<a  rel="external nofollow" class="sister" id="link2">Lacie</a> and
<a  rel="external nofollow" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""
markup="<b><!--Hey, buddy. Want to buy a used parser?--></b>"
soup=BeautifulSoup(html_doc,"lxml")
soup1=BeautifulSoup(markup,"lxml")
tag=soup.a
navstr=tag.string
comment=soup1.b.string
print(type(tag)) #Tag標簽對象
print(type(comment)) #Comment對象包含文檔注釋內(nèi)容
print(type(navstr)) #NavigableString對象包裝字符串內(nèi)容
print(type(soup)) #BeautifulSoup對象為文檔的全部內(nèi)容

#
<class 'bs4.element.Tag'>
<class 'bs4.element.Comment'>
<class 'bs4.element.NavigableString'>
<class 'bs4.BeautifulSoup'>

（1）節(jié)點選擇器(tag)

直接調(diào)用節(jié)點的名稱就可以選擇節(jié)點元素，節(jié)點可以嵌套選擇返回的類型都是bs4.element.Tag對象

soup=BeautifulSoup(html_doc,'lxml')
print(soup.head) #獲取head標簽
print(soup.p.b) #獲取p節(jié)點下的b節(jié)點
print(soup.a.string) #獲取a標簽下的文本，只獲取第一個

name屬性獲取節(jié)點名稱：

soup.body.name

attrs屬性獲取節(jié)點屬性，也可以字典的形式直接獲取，返回的結(jié)果可能是列表或字符串類型，取決于節(jié)點類型

soup.p.attrs #獲取p節(jié)點所有屬性
soup.p.attrs['class'] #獲取p節(jié)點class屬性
soup.p['class'] #直接獲取p節(jié)點class屬性

string屬性獲取節(jié)點元素包含的文本內(nèi)容：

soup.p.string #獲取第一個p節(jié)點下的文本內(nèi)容

contents屬性獲取節(jié)點的直接子節(jié)點，以列表的形式返回內(nèi)容

soup.body.contents #是直接子節(jié)點，不包括子孫節(jié)點

children屬性獲取的也是節(jié)點的直接子節(jié)點，只是以生成器的類型返回

soup.body.children

descendants屬性獲取子孫節(jié)點，返回生成器

soup.body.descendants

parent屬性獲取父節(jié)點，parents獲取祖先節(jié)點，返回生成器

soup.b.parent
soup.b.parents

next_sibling屬性返回下一個兄弟節(jié)點，previous_sibling返回上一個兄弟節(jié)點,注意換行符也是一個節(jié)點，所以有時候在獲取兄弟節(jié)點是通常是字符串或者空白

soup.a.next_sibling
soup.a.previous_sibling

next_siblings和previous_sibling分別返回前面和后面的所有兄弟節(jié)點，返回生成器

soup.a.next_siblings
soup.a.previous_siblings

next_element和previous_element屬性獲取下一個被解析的對象，或者上一個

soup.a.next_element
soup.a.previous_element

next_elements和previous_elements迭代器向前或者后訪問文檔解析內(nèi)容

soup.a.next_elements
soup.a.previous_elements

（2）方法選擇器

前面使用的都是通過節(jié)點屬性來選擇的，這種方法非?？?，但在進行比較復雜的選擇時就不夠靈活，幸好Beautiful Soup還為我們提供了一些查詢方法，如fang_all()和find()等

find_all(name,attrs,recursive,text,**kwargs)：查詢所有符合條件的元素，其中的參數(shù)

name表示可以查找所有名字為name的標簽(tag)，也可以是過濾器，正則表達式，列表或者是True

attrs表示傳入的屬性，可以通過attrs參數(shù)以字典的形式指定如常用屬性id,attrs={'id':'123'}，由于class屬性是python中的關(guān)鍵字，所有在查詢時需要在class后面加上下劃線即class_='element'，返回的結(jié)果是tag類型的列表

text參數(shù)用來匹配節(jié)點的文本，傳入的形式可以是字符串也可以是正則表達式對象

recursive表示，如果只想搜索直接子節(jié)點可以將參數(shù)設為false：recursive=Flase

limit參數(shù)，可以用來限制返回結(jié)果的數(shù)量，與SQL中的limit關(guān)鍵字類似

import re
from bs4 import BeautifulSoup

html_doc = """ #下面示例都是用此文本內(nèi)容測試
<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  class="sister" id="link1">Elsie</a>
 ddd
<a  class="sister" id="link2">Lacie</a> and
<a  class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
<span>中文</span>
"""

soup=BeautifulSoup(html_doc,'lxml')
print(type(soup))
print(soup.find_all('span')) #標簽查找
print(soup.find_all('a',id='link1')) #屬性加標簽過濾
print(soup.find_all('a',attrs={'class':'sister','id':'link3'})) #多屬性
print(soup.find_all('p',class_='title')) #class特殊性,此次傳入的參數(shù)是**kwargs
print(soup.find_all(text=re.compile('Tillie'))) #文本過濾
print(soup.find_all('a',limit=2)) #限制輸出數(shù)量


#
<class 'bs4.BeautifulSoup'>
[<span>中文</span>]
[<a class="sister"  id="link1">Elsie</a>]
[<a class="sister"  id="link3">Tillie</a>]
[<p class="title"><b>The Dormouse's story</b></p>]
['Tillie']
[<a class="sister"  id="link1">Elsie</a>, <a class="sister"  id="link2">Lacie</a>]

find( name , attrs , recursive , text , **kwargs )：它返回的是單個元素，也就是第一個匹配的元素，類型依然是tag類型

參數(shù)同find_all()一樣

另外還有許多查詢方法，其用法和前面介紹的find_all()方法完全相同，只不過查詢范圍不同，參數(shù)也一樣

find_parents(name , attrs , recursive , text , **kwargs )和find_parent(name , attrs , recursive , text , **kwargs ) ：前者返回所有祖先節(jié)點，后者返回直接父節(jié)點

find_next_siblings(name , attrs , recursive , text , **kwargs )和find_next_sibling(name , attrs , recursive , text , **kwargs ) ：對當前tag后面的節(jié)點進行迭代，前者返回后面的所有兄弟節(jié)點，后者返回后面第一個兄弟節(jié)點

find_previous_siblings(name , attrs , recursive , text , **kwargs )和find_previous_sibling(name , attrs , recursive , text , **kwargs ) ：對當前tag前面的節(jié)點進行迭代，前者返回前面的所有兄弟節(jié)點，后者返回前面的第一個兄弟節(jié)點

find_all_next(name , attrs , recursive , text , **kwargs )和find_next(name , attrs , recursive , text , **kwargs ) ：對當前tag之后的tag和字符串進行迭代，前者返回所有符合條件的節(jié)點，后者返回第一個符合條件的節(jié)點

find_all_previous()和find_previous() ：對當前tag之前的tag和字符串進行迭代，前者返回節(jié)點后所有符合條件的節(jié)點，后者返回第一個符合條件的節(jié)點

（3）CSS選擇器

Beautiful Soup還提供了CSS選擇器，如果多CSS選擇器不熟悉可以參考下http://www.w3school.com.cn/cssref/css_selectors.asp

在 Tag 或 BeautifulSoup 對象的 .select()方法中傳入字符串參數(shù),即可使用CSS選擇器的語法找到tag:

In [10]: soup.select('title')
Out[10]: [<title>The Dormouse's story</title>]

通過tag標簽逐層查找：

In [12]: soup.select('body a')
Out[12]: 
[<a class="sister"  id="link1">Elsie</a>,
 <a class="sister"  id="link2">Lacie</a>,
 <a class="sister"  id="link3">Tillie</a>]

查找某個tag標簽下的直接子標簽：

In [13]: soup.select('head > title')
Out[13]: [<title>The Dormouse's story</title>]

查找兄弟節(jié)點標簽：

In [14]: soup.select('#link1 ~ .sister')
Out[14]: 
[<a class="sister"  id="link2">Lacie</a>,
 <a class="sister"  id="link3">Tillie</a>]

通過CSS類名查找：

In [15]: soup.select('.title')
Out[15]: [<p class="title"><b>The Dormouse's story</b></p>]

In [16]: soup.select('[class~=title]')
Out[16]: [<p class="title"><b>The Dormouse's story</b></p>]

通過tag的id查找：

In [17]: soup.select('#link1')
Out[17]: [<a class="sister"  id="link1">Elsie</a>]

In [18]: soup.select('a#link2')
Out[18]: [<a class="sister"  id="link2">Lacie</a>]

通過是否存在某個屬性來查找：

In [20]: soup.select('a[href]')
Out[20]: 
[<a class="sister"  id="link1">Elsie</a>,
 <a class="sister"  id="link2">Lacie</a>,
 <a class="sister"  id="link3">Tillie</a>]

通過屬性的值來查找匹配：

In [22]: soup.select('a[)
Out[22]: [<a class="sister"  id="link1">Elsie</a>]

In [23]: soup.select('a[href^="http://example.com/"]') #匹配值的開頭
Out[23]: 
[<a class="sister"  id="link1">Elsie</a>,
 <a class="sister"  id="link2">Lacie</a>,
 <a class="sister"  id="link3">Tillie</a>]

In [24]: soup.select('a[href$="tillie"]') #匹配值的結(jié)尾
Out[24]: [<a class="sister"  id="link3">Tillie</a>]

In [25]: soup.select('a[href*=".com/el"]') #模糊匹配
Out[25]: [<a class="sister"  id="link1">Elsie</a>]

tag節(jié)點查找，方法選擇器查找和CSS選擇器查找三種方法的實現(xiàn)方式基本相似，tag相對于其他兩種所有最快速的查找方式，但方法選擇器提供更便利更復雜的查找方式，使用更如有上手。

（4）tag修改方法

Beautiful Soup的強項是文檔的搜索功能，修改功能使用場景不是很多只做簡單介紹，要了解更多修改方法請前往Beautiful Soup官方文檔查看。

Beautiful Soup可以實現(xiàn)改變tag標志的屬性的值，添加或刪除屬性和內(nèi)容，下面介紹一些常用的方法

In [26]: markup='<a 
In [28]: soup=BeautifulSoup(markup,'lxml')
In [29]: soup.a.string='百度'
In [30]: soup.a
Out[30]: <a >百度</a>
#如果a節(jié)點下包括子也將被覆蓋掉

Tag.append() 方法想tag中添加內(nèi)容,就好像Python的列表的 .append() 方法:

In [30]: soup.a
Out[30]: <a >百度</a>

In [31]: soup.a.append('一下')

In [32]: soup.a
Out[32]: <a >百度一下</a>

new_tag()方法用于創(chuàng)建一個tag標簽

In [33]: soup=BeautifulSoup('<b></b>','lxml')

In [34]: new_tag=soup.new_tag('a',) #創(chuàng)建tag,第一個參數(shù)必須為tag的名稱

In [35]: soup.b.append(new_tag) #添加到b節(jié)點下

In [36]: new_tag.string='python' #為tag設置值

In [37]: soup.b
Out[37]: <b><a >python</a></b>

其他方法：

insert()將元素插入到指定的位置

inert_before()在當前tag或文本節(jié)點前插入內(nèi)容

insert_after()在當前tag或文本節(jié)點后插入內(nèi)容

clear()移除當前tag的內(nèi)容

extract()將當前tag移除文檔數(shù)，并作為方法結(jié)果返回

prettify()將Beautiful Soup的文檔數(shù)格式化后以Unicode編碼輸出，tag節(jié)點也可以調(diào)用

get_text()輸出tag中包含的文本內(nèi)容，包括子孫tag中的內(nèi)容

soup.original_encoding 屬性記錄了自動識別的編碼結(jié)果

from_encoding:參數(shù)在創(chuàng)建BeautifulSoup對象是可以用來指定編碼，減少猜測編碼的運行速度

#解析部分文檔，可以使用SoupStrainer類來創(chuàng)建一個內(nèi)容過濾器，它接受同搜索方法相同的參數(shù)

from bs4 import BeautifulSoup,SoupStrainer

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  class="sister" id="link1">Elsie</a>
 ddd
<a  class="sister" id="link2">Lacie</a> and
<a  class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
<span>中文</span>
"""


only_a_tags = SoupStrainer('a') #顧慮器

soup=BeautifulSoup(html_doc,'lxml',parse_only=only_a_tags)

print(soup.prettify())

#
<a class="sister"  id="link1">
 Elsie
</a>
<a class="sister"  id="link2">
 Lacie
</a>
<a class="sister"  id="link3">
 Tillie
</a>

#Beautiful Soup異常處理：

HTMLParser.HTMLParseError：malformed start tag

HTMLParser.HTMLParseError：bad end tag 這個兩個異常都是解析器引起的，解決方法是安裝lxml或者html5lib

更多內(nèi)容...

官方文檔：https://www.crummy.com/software/BeautifulSoup/bs4/doc/

中文文檔：https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh

PyPI：https://pypi.org/project/beautifulsoup4/

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)容對大家的學習或者工作具有一定的參考學習價值，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: