BeautifulSoup详解

原创
2019/10/30 08:46
阅读数 528

一、BeautifulSoup构建

1.1 通过字符串构建

from bs4 import BeautifulSoup

html = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="story">Once upon a time there were three little sisters; and their names were
</p>
"""

soup = BeautifulSoup(html, 'html.parser')
print(soup.prettify())

1.2 从文件加载

from bs4 import BeautifulSoup

with open(r"F:\tmp\etree.html") as fp:
    soup = BeautifulSoup(fp,"lxml")

print(soup.prettify())

二、Tag对象

2.1 string、strings、stripped_strings

如果一个节点只包含文本节点,可以通过string直接访问文本节点

如果不止包含文本节点,那么string为None

如果不止包含文本节点,可以通过strings、stripped_strings获取文本节点内容,strings、stripped_strings获取的都是生成器。

2.2 get_text()

只获取文本节点

soup.get_text()
#可以指定不同节点之间的文本使用|分割。
soup.get_text("|")
# 可以指定去除空格
soup.get_text("|", strip=True)

2.3 属性

tag.attrs是一个字典类型,可以通过tag['id']这样的方式获取值。下标访问的方式可能会抛出异常KeyError,所以可以使用tag.get('id')方式,如果id属性不存在,返回None。

三、contents、children与descendants

都是节点的子节点,不过: contents是列表 children是生成器

contents、children只包含直接子节点,descendants也是一个生成器,不过包含节点的子孙节点

3.1 parent、parents

parent:父节点 parents:递归父节点

3.2 next_sibling、previous_sibling

next_sibling:后一个兄弟节点 previous_sibling:前一个兄弟节点

3.3 next_element、previous_element

next_element:后一个节点 previous_element:前一个节点

next_element与next_sibling的区别是:

  1. next_sibling从当前tag的结束标签开始解析
  2. next_element从当前tag的开始标签开始解析

四、find、find_all

4.1 方法

find_parent:查找父节点 find_parents:递归查找父节点 find_next_siblings:查找后面的兄弟节点 find_next_sibling:查找后面满足条件的第一个兄弟节点 find_all_next:查找后面所有节点 find_next:查找后面第一个满足条件的节点 find_all_previous:查找前面所有满足条件的节点 find_previous:查找前面第一个满足条件的节点

4.2 tag名称

# 查找所有p节点
soup.find_all('p')
# 查找title节点,不递归
soup.find_all("title", recursive=False)
# 查找p节点和span节点
soup.find_all(["p", "span"])
# 查找第一个a节点,和下面一个find等价
soup.find_all("a", limit=1)
soup.find('a')

4.3 属性

# 查找id为id1的节点
soup.find_all(id='id1')
# 查找name属性为tim的节点
soup.find_all(name="tim")
soup.find_all(attrs={"name": "tim"})
#查找class为clazz的p节点
soup.find_all("p", "clazz")
soup.find_all("p", class_="clazz")
soup.find_all("p", class_="body strikeout")

4.4 正则表达式

import re
# 查找与p开头的节点
soup.find_all(class_=re.compile("^p"))

4.5 函数

# 查找有class属性并且没有id属性的节点
soup.find_all(hasClassNoId)
def hasClassNoId(tag):
    return tag.has_attr('class') and not tag.has_attr('id')

4.6 文本

soup.find_all(string="tim")
soup.find_all(string=["alice", "tim", "allen"])
soup.find_all(string=re.compile("tim"))

def onlyTextTag(s):
    return (s == s.parent.string)

# 查找只有文本节点的节点
soup.find_all(string=onlyTextTag)
# 查找文本节点为tim的a节点
soup.find_all("a", string="tim")

五、select

5.1 方法

相比于find,select方法就少了很多,就2个,一个是select,另一个是select_one,区别是select_one只选择满足条件的第一个元素。

select的重点在于选择器上,所以接下来我们重点通过介绍示例介绍一些常用的选择器。如果对应css选择器不熟悉的朋友,可以先看一下后面CSS选择器的介绍。

5.2 通过tag选择

# 选择title节点
soup.select("title")
# 选择body节点下的所有a节点
soup.select("body a")
# 选择html节点下的head节点下的title节点
soup.select("html head title")

通过tag选择非常简单,就是按层级,通过tag的名称使用空格分割就可以了。

5.3 id与类选择器

# 选择类名为article的节点
soup.select(".article")
# 选择id为id1的a节点
soup.select("a#id1")
# 选择id为id1的节点
soup.select("#id1")
# 选择id为id1、id2的节点
soup.select("#id1,#id2")

id和类选择器也比较简单,类选择器使用.开头,id选择器使用#开头。

5.4 属性选择器

# 选择有href属性的a节点
soup.select('a[href]')
# 选择href属性为http://mycollege.vip/tim的a节点
soup.select('a[href="http://mycollege.vip/tim"]')
# 选择href以http://mycollege.vip/开头的a节点
soup.select('a[href^="http://mycollege.vip/"]')
# 选择href以png结尾的a节点
soup.select('a[href$="png"]')
# 选择href属性包含china的a节点
soup.select('a[href*="china"]')
# 选择href属性包含china的a节点
soup.select("a[href~=china]")

5.5 其他选择器

# 父节点为div节点的p节点
soup.select("div > p")
# 节点之前有div节点的p节点
soup.select("div + p")
# p节点之后的ul节点(p和ul有共同父节点)
soup.select("p~ul")
# 父节点中的第3个p节点
soup.select("p:nth-of-type(3)")

六、实例

最后我们还是通过一个小例子,来看一下BeautifulSoup的使用。

from bs4 import BeautifulSoup

text = '''
<li class="subject-item">
    <div class="pic">
      <a class="nbg" href="https://mycollege.vip/subject/25862578/">
        <img class="" src="https://mycollege.vip/s27264181.jpg" width="90">
      </a>
    </div>
    <div class="info">
      <h2 class=""><a href="https://mycollege.vip/subject/25862578/" title="解忧杂货店">解忧杂货店</a></h2>
      <div class="pub">[日] 东野圭吾 / 李盈春 / 南海出版公司 / 2014-5 / 39.50元</div>
      <div class="star clearfix">
        <span class="allstar45"></span>
        <span class="rating_nums">8.5</span>
        <span class="pl">
            (537322人评价)
        </span>
      </div>
      <p>现代人内心流失的东西,这家杂货店能帮你找回——僻静的街道旁有一家杂货店,只要写下烦恼投进卷帘门的投信口,
      第二天就会在店后的牛奶箱里得到回答。因男友身患绝... </p>
    </div>
</li>
'''

soup = BeautifulSoup(text, 'lxml')

print(soup.select_one("a.nbg").get("href"))
print(soup.find("img").get("src"))
title = soup.select_one("h2 a")
print(title.get("href"))
print(title.get("title"))

print(soup.find("div", class_="pub").string)
print(soup.find("span", class_="rating_nums").string)
print(soup.find("span", class_="pl").string.strip())
print(soup.find("p").string)

非常简单,如果对CSS选择器熟悉的话,很多复杂的结构也能轻松搞定。

七、CSS选择器

7.1 常用选择器

基本选择器

选择器 示例 说明
.class .intro 选择class="intro"的所有节点
#id #firstname 选择id="firstname"的所有节点
* * 选择所有节点
element p 选择所有p节点
element,element div,p 选择所有div节点和所有p节点
element element div p 选择div节点内部的所有p节点
element>element div>p 选择父节点为div节点的所有p节点
element+element div+p 选择紧接在div节点之后的所有p节点
element~element p~ul 选择和p元素拥有相同父节点,并且在p元素之后的ul节点
[attribute^=value] a[src^="https"] 选择其src属性值以"https"开头的每个a节点
[attribute$=value] a[src$=".png"] 选择其src属性以".png"结尾的所有a节点
[attribute*=value] a[src*="abc"] 选择其src属性中包含"abc"子串的每个a节点
[attribute] [target] 选择带有target属性所有节点
[attribute=value] [target=_blank] 选择target="_blank"的所有节点
[attribute~=value] [title~=china] 选择title属性包含单词"china"的所有节点
[attribute|=value] [lang|=zh] 选择lang属性值以"zh"开头的所有节点

div p是包含孙子节点,div > p只选择子节点

element~element选择器有点不好理解,看下面的例子:

<!DOCTYPE html>
<html>

<head>
    <meta charset="utf-8">
    <style>
    p~ul {
        background: red;
    }
    </style>
</head>

<body>
    <div>
        <ul>
            <li>ul-li1</li>
            <li>ul-li1</li>
            <li>ul-li1</li>
        </ul>
        <p>p标签</p>
        <ul>
            <li>ul-li2</li>
            <li>ul-li2</li>
            <li>ul-li2</li>
        </ul>
        <h2>h2 tag</h2>
        <ul>
            <li>ul-li3</li>
            <li>ul-li3</li>
            <li>ul-li3</li>
        </ul>
    </div>
</body>

</html>

~选择器

7.2 位置选择器

位置选择器

选择器 示例 说明
:first-of-type p:first-of-type 选择其父节点的首个p节点
:last-of-type p:last-of-type 选择其父节点的最后p节点
:only-of-type p:only-of-type 选择其父节点唯一的p节点
:only-child p:only-child 选择其父节点的唯一子节点的p节点
:nth-child(n) p:nth-child(2) 选择其父节点的第二个子节点的p节点
:nth-last-child(n) p:nth-last-child(2) 从最后一个子节点开始计数
:nth-of-type(n) p:nth-of-type(2) 选择其父节点第二个p节点
:nth-last-of-type(n) p:nth-last-of-type(2) 选择其父节点倒数第二个p节点
:last-child p:last-child 选择其父节点最后一个p节点

需要主要的是tag:nth-child(n)与tag:nth-of-type(n),nth-child计算的时候不要求类型相同,nth-of-type计算的时候必须是相同的tag。

有点绕,可以看一下下面的示例。

<!DOCTYPE html>
<html>
<head>
    <title>nth</title>
     <style>
        #wrap p:nth-of-type(3) {
            background: red;
        }
 
        #wrap p:nth-child(3) {
            background: yellow;
        }
    </style>
</head>
<body>
    <div id="wrap">
        <p>1-1p</p>
        <div>2-1div</div>
        <p>3-2p</p>
        <p>4-3p</p>
        <p>5-4p</p>
    </div>
</body>
</html>

位置选择器

7.3 其他选择器

其他选择器

选择器 示例 说明
:not(selector) :not(p) 选择非p节点的节点
:empty p:empty 选择没有子节点的p节点
::selection ::selection 选择被用户选取的节点
:focus input:focus 选择获得焦点的input节点
:root :root 选择文档的根节点
:enabled input:enabled 选择每个启用的input节点
:disabled input:disabled 选择每个禁用的input节点
:checked input:checked 选择每个被选中的input节点
:link a:link 选择所有未被访问的链接
:visited a:visited 选择所有已被访问的链接
:active a:active 选择活动链接
:hover a:hover 选择鼠标指针位于其上的链接
:first-letter p:first-letter 选择每个p节点的首字母
:first-line p:first-line 选择每个p节点的首行
:first-child p:first-child 选择属于父节点的第一个子节点的每个p节点
:before p:before 在每个p节点的内容之前插入内容
:after p:after 在每个p节点的内容之后插入内容
:lang(language) p:lang(it) 选择带有以"it"开头的lang属性值的每个p节点

八、文档

bs4

展开阅读全文
打赏
0
0 收藏
分享
加载中
更多评论
打赏
0 评论
0 收藏
0
分享
返回顶部
顶部