查看“Beautiful Soup”的源代码

Beautiful Soup是一个[[Python]]库，能够方便的从[[HTML]]或[[XML]]文件中提取数据。

==简介==
===时间轴===

===安装===
可以通过下面3中方式安装Beautiful Soup 4。
====通过pip安装====
Beautiful Soup 4 发布在[[PyPI]]平台上，所以可以使用[[pip]]来安装：
 pip install beautifulsoup4

====通过软件包管理安装====
如果你用的是新版的[[Debain]]或[[Ubuntu]],那么也可以通过系统的软件包管理来安装:
 apt-get install Python-bs4

====下载源代码安装====
[https://www.crummy.com/software/BeautifulSoup/bs4/download/ 下载BS4的源码]，然后通过setup.py来安装。
 Python setup.py install

{{了解更多
|[https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/#id9 Beautiful Soup 4 文档：安装Beautiful Soup]
|}}

==基础知识==
===获取页面===
获取页面可以使用Python的urllib标准库下的[https://docs.python.org/zh-cn/3/library/urllib.request.html request]模块或[[requests]]库。

下面使用[[requests]]库获取页面，然后使用BeautifulSoup提取body标签。
<syntaxhighlight lang="python">
import requests
from bs4 import BeautifulSoup

response = requests.get('https://www.baidu.com')

bs = BeautifulSoup(response.content, 'html.parser')
tag = bs.body 
</syntaxhighlight>

使用Python的request模块获取页面，然后使用BeautifulSoup提取标题字符串。示例如下：
<syntaxhighlight lang="python">
from urllib.request import urlopen
from bs4 import BeautifulSoup

html = urlopen('https://www.baidu.com')

bs = BeautifulSoup(html.read(), 'html.parser')
title = str(bs.title.string)  #标题内容
</syntaxhighlight>


===文档解析器===
Beautiful Soup支持Python标准库的HTML解析器 [https://docs.python.org/zh-cn/3/library/html.parser.html html.parser]，还支持一些第三方的解析器。如果未通过参数设置指定的解析器，Beautiful Soup会自动选择一个已安装的，优先数序：[[lxml]]，[[html5lib]]，[https://docs.python.org/zh-cn/3/library/html.parser.html html.parser]。不同的解析器得到的结果可能不同，所以防止程序的不稳定，最好指定解析器。支持解析的文档格式有[[HTML]]、HTML5和[[XML]]，其中只有lxml解析器支持解析XML文档。下表为当前支持的解析器：
{| class="wikitable"  style="width: 100%;
! 解析器
! 描述
! 安装
! 用法
|-
| Python标准库 html.parser
| 速度中，Python的内置标准库
| 不需要安装
| BeautifulSoup(markup, "html.parser")
|- 
| lxml 的 HTML解析器
| 速度快
| pip install lxml
| BeautifulSoup(markup, "lxml")
|- 
| lxml 的 XML 解析器
| 速度快，唯一支持XML的解析器
| pip install lxml
| BeautifulSoup(markup, ["lxml-xml"]) <br \>BeautifulSoup(markup, "xml")
|- 
| html5lib
| 速度慢，最好的容错性，以浏览器的方式解析文档，生成HTML5格式的文档
| pip install html5lib
| BeautifulSoup(markup, "html5lib")
|- 
|}


{{了解更多
|[https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/#id13 BeautifulSoup 4 文档：安装解析器]
|[https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/#id53 BeautifulSoup 4 文档：指定文档解析器]
}}

==对象==
Beautiful Soup将复杂[[HTML]]文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种: 
{| class="wikitable"  style="width: 100%;
! 类
! 描述
! 生成对象
|-
|BeautifulSoup
|BeautifulSoup 对象表示的是一个文档的全部内容。基本上可以当作Tag对象，支持遍历文档树和搜索文档树中描述的大部分的方法。 
|如<code>BeautifulSoup(markup, "html.parser")</code>
|-
|Tag
|Tag对象与XML或HTML原生文档中的tag（标签）相同。Tag有很多方法和属性，常用如<code>tag.name</code>获取Tag的标签名称，<code>tag.class</code>获取Tag的class，<code>tag.text</code>获取Tag的所有显示文本（包括子Tag的文本）。
|通过BeautifulSoup对象遍历文档树或搜索文档树生成。如bs表示一个BeautifulSoup对象，<code>bs.p</code>
|-
|NavigableString
|tag中的字符串被封装在NavigableString类中。一个 NavigableString 字符串与Python中的Unicode字符串相同,并且还支持包含在 遍历文档树 和 搜索文档树 中的一些特性。
|通过Tag对象string属性生成。<br \>如<code>tag.string</code>
|-
|Comment
|文档的注释部分包装在Comment类中，Comment 对象是一个特殊类型的 NavigableString 对象。
|通过Tag对象string属性生成。<br \>如<code>tag.string</code>
|-
|}

{{了解更多
|[https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/#id15  BeautifulSoup 4 文档：对象的种类]
}}
===BeautifulSoup ===
BeautifulSoup 对象表示的是一个文档的全部内容。大部分时候，可以把它当作 Tag 对象，它支持 遍历文档树 和 搜索文档树 中描述的大部分的方法。因为 BeautifulSoup 对象并不是真正的HTML或XML的tag，所以它没有name和attribute属性。

如下生成一个BeautifulSoup 对象 bs，其中markup表示文档内容：
 bs = BeautifulSoup(markup, "html.parser")
 

===Tag===
Tag对象与[[XML]]或[[HTML]]原生文档中的tag相同，Tag有很多方法和属性。标签名称通过对象<code>.name</code>获取，如tag.name。标签的某个属性可以通过对象的<code>.属性名</code>或<code>[属性名]</code>操作获取，如tag['class']或tag.class。标签的所有属性可以通过对象的<code>.attrs</code>获取，返回字典类型。示例如下：
<syntaxhighlight lang="python">
bs = BeautifulSoup('<b class="boldest">Extremely bold</b>')
tag = bs.b    #生成一个tag对象
type(tag)     # <class 'bs4.element.Tag'>

#获取该标签的名字
tag.name     #'b'
tag.name = "blockquote"  也可以改变标签名称

#获取属性
tag.attrs      # 获取标签的所有属性，{'class': 'boldest'}
tag['class']   # 获取某个属性的值，['boldest']

#添加，删除，修改操作方法和字典一样。
tag['class'] = 'verybold'   #修改tag的class属性值为verybold
tag['id'] = 1               #tag添加一个id="1"的属性
del tag['id']               #删除tag的id属性

</syntaxhighlight>



===NavigableString ===
字符串常被包含在标签tag内。Beautiful Soup用 NavigableString 类来包装tag中的字符串。使用.string一个 NavigableString 字符串与Python中的Unicode字符串相同,并且还支持包含在遍历文档树和搜索文档树中的一些特性。通过Python的 str() 方法可以直接将 NavigableString 对象转换成Unicode字符串:

<syntaxhighlight lang="python">
from urllib.request import urlopen
from bs4 import BeautifulSoup
html = urlopen('https://www.baidu.com')
bs = BeautifulSoup(html.read(), 'html.parser')
tag = bs.title

tag.string         #'百度一下，你就知道'
type(tag.string)   # <class 'bs4.element.NavigableString'>

title = str(tag.string)    #'百度一下，你就知道'
type(title)   # 字符串
</syntaxhighlight>

===Comment ===
Comment是文档的注释及特殊字符串，Comment 对象是一个特殊类型的 NavigableString 对象。
<syntaxhighlight lang="python">
markup = "<b><!--Hey, buddy. Want to buy a used parser?--></b>"
soup = BeautifulSoup(markup)

comment1 = soup.b.string
type(comment1)    # <class 'bs4.element.Comment'> 
comment1          # 'Hey, buddy. Want to buy a used parser'
</syntaxhighlight>

==遍历文档树==
===子节点===
一个Tag可能包含多个字符串或其它的Tag，这些都是这个Tag的子节点。Beautiful Soup提供了许多操作和遍历子节点的属性。操作文档树最简单的方法就是告诉它你想获取的tag的name。

下表中bs为一个BeautifulSoup对象,tag为一个Tag对象：
{| class="wikitable"  style="width: 100%;
! 属性
! 描述
! 示例
|-
| .标签名称
| 获取对象第一个该名称标签。
| <code>bs.p</code>获取bs的第一个名称为p的标签。<br \><code>bs.p.b</code>
|- 
| .contents
| 以列表形式输出对象的子节点。只包括子代节点。
| <code>bs.contents</code>
|- 
| .children
| 返回一个所有子节点list_iterator迭代器。只包括子代节点。
| <code>bs.children</code>
|- 
| .descendants
| 返回一个递归的子孙节点生成器。
| <code>bs.descendants</code>
|-
| .string
| 返回节点NavigableString对象，当该节点有多个NavigableString对象，返回空。 
| <code>tag.string</code>
|-
| .strings
| 返回节点所有NavigableString对象生成器。
| <code>tag.strings</code>
|-
| .stripped_strings 
| 与.strings一样，但会去掉字符串中多余的空格或空行
| <code>tag.stripped_strings</code>
|}


===父节点===
每个Tag或NavigableString都有父节点，包含在该节点中。如下：

{| class="wikitable"  style="width: 100%;
! 属性
! 描述
! 示例
|-
|.parent
|获取某个元素的父节点
|<code>tag.parent</code>
|-
|.parents
|
|
|-
|}
===兄弟节点===
{| class="wikitable"  style="width: 100%;
! 属性
! 描述
! 示例
|-
|.next_sibling
|
|<code>tag.next_sibling</code>
|-
|.previous_sibling
|
|
|-
|.next_siblings
|
|<code>tag.next_sibling</code>
|-
|.previous_siblings
|
|
|-
|}

===回退和前进===
{| class="wikitable"  style="width: 100%;
! 属性
! 描述
! 示例
|-
|.next_element
| 属性指向解析过程中下一个被解析的对象(字符串或tag),结果可能与 .next_sibling 相同,但通常是不一样的.
|<code>tag.next_element</code>
|-
|.previous_element
|
|<code>tag.previous_element</code>
|-
|.next_elements 和 
|
|<code>tag.next_elements </code>
|-
|.previous_elements
|
|<code>tag.previous_elements</code>
|-
|}

==搜索文档树==
===搜索方法===
Beautiful Soup定义了很多搜索方法，find_all()几乎是Beautiful Soup中最常用的搜索方法。
{| class="wikitable"  style="width: 100%;
! 方法
! 描述
! 示例
|-
|find_all()
|返回文档中符合条件的所有节点对象
|
|-
|find()
|
|soup.find('title')
|-
|find_parents()
|
|
|-
|find_parent()
|
|
|-
|find_next_siblings()
|
|
|-
|find_next_sibling()
|
|
|-
|find_previous_siblings()
|
|
|-
|find_previous_sibling()
|
|
|-
|find_all_next()
|
|
|-
|find_next()
|
|
|-
|find_all_previous()
|
|
|-
|find_previous()
|
|
|-
|select()
|使用CSS选择器的语法找到tag，在 Tag 或 BeautifulSoup 对象的select() 方法中传入字符串参数即可。如果仅需要CSS选择器的功能,那么可以直接使用[[lxml]]。
|<code>bs.select("p > #toc")</code>
|}
===参数===
12个find开头的搜索方法，其参数和用法类似，格式都为：
 function( name , attrs , recursive , string , **kwargs )

这些方法的参数如下：
{| class="wikitable"  style="width: 100%;
! 参数
! 描述
! 示例
|-
|name
|按tag的名称搜素tag，字符串对象会被自动忽略掉。 name参数的值可以是任一类型的过滤器（字符串、正则表达式、列表、函数或布尔值）。
|<code>bs.find_all("title")</code>查找所有名为title的tag
|-
|**kwargs
|可变关键字参数，按属性来搜索tag。当指定名字的参数不是方法内置的参数名时，会把该参数当作指定名字tag的属性来搜索。如传入参数<code>id='link2'</code>,Beautiful Soup会搜索每个tag的”id”属性。参数值可以是任一类型的过滤器。
|
|-
|attrs 
|按CSS类名(class)来搜索tag，也可以使用<code>class_</code>参数来搜素（在**kwargs接收）。参数值可以是任一类型的过滤器。
|
|-
|string 
|按文档中的字符串内容搜索，参数值可以是任一类型的过滤器。
|
|-
|limit 
|限制返回结果的数量，效果与SQL中的limit关键字类似，在**kwargs接收。有时文档树很大搜索会很慢，当不需要全部结果可以使用limit参数限制。
|<code>soup.find_all("a", limit=2)</code>
|-
|recursive 
|限制只搜索直接子节点，而不是全部的子孙节点。
|<code>tag.find_all("a", recursive=False)</code>
|}

===过滤器===
过滤器是筛选条件，用于搜索函数参数值，包括节点名称、节点属性、string中或他们的混合中。过滤器类型包括：字符串、[[正则表达式]]、列表、函数或布尔值。

{| class="wikitable"  style="width: 100%;
! 过滤器
! 描述
! 示例
|-
|字符串
|最简单的过滤器是字符串，在搜索方法中传入一个字符串参数值，会匹配与字符串完全相同的值。
|<code>bs.find("title")</code>查找名称为“title”的tag <br \><code>bs.find_all(class_ = 'section')</code>查找class属性为“section”的tag <br \><code>bs.find(id = 'toc')</code>查找id属性为“toc”的tag
|-
|正则表达式
|如果传入正则表达式作为参数值，Beautiful Soup会通过Python中正则表达式[https://docs.python.org/zh-cn/3/library/re.htm re]模块的[https://docs.python.org/zh-cn/3/library/re.html#re.search search()]函数来匹配内容。
|<code>bs.find_all(re.compile("^b")</code>查找所有tag名称以"b"字母开头的tag。<br \><code>soup.find_all(class_ = "data", id = re.compile("t"))</code>查找所有tag的class属性为"data"，id属性含有"t"的tag。
|-
|列表
|如果传入列表参数值，Beautiful Soup会将与列表中任一元素匹配的内容返回。
|<code>bs.find_all(["a", "div"])</code>查找所有tag名称为"a"或"div"的tag。<br \><code>bs.find_all("div", class_ = ["section", "data"])</code>查找所有tag的名称为"div"，且class属性为"section"或"data"的tag。
|-
|布尔值
|可以传入布尔值True或False作为参数值。 True 可以匹配任何值,但是不会返回字符串对象的节点。
|<code>bs.find_all(True)</code>查找所有tag。<br \><code>bs.find_all(class_  = True)</code>查找所有含有class属性的tag。
|-
|函数
|如果没有合适过滤器,那么还可以定义一个函数,函数只接受一个元素作为参数,如果这个函数返回 True 表示当前元素匹配并且被找到,如果不是则反回 False。
|见下文
|-
|}

一个简单使用函数作为过滤器如下，该函数检测当前元素,如果包含 class 属性却不包含 id 属性,那么将返回 True：
<syntaxhighlight lang="python">
def has_class_but_no_id(tag):
    return tag.has_attr('class') and not tag.has_attr('id')

bs.find_all(has_class_but_no_id)
</syntaxhighlight>
===CSS选择器===
Tag 或 BeautifulSoup 对象的 select() 方法用于通过[[CSS]]选择器查找tag。Beautiful Soup支持大部分的[http://www.w3.org/TR/CSS2/selector.html CSS选择器]。用法为CSS选择器作为字符串值传入select() 方法。

对于熟悉CSS选择器语法的人来说这是个非常方便的方法.Beautiful Soup也支持CSS选择器API, 如果你仅仅需要CSS选择器的功能,那么直接使用 lxml 也可以, 而且速度更快,支持更多的CSS选择器语法,但Beautiful Soup整合了CSS选择器的语法和自身方便使用API。

示例如下：
<syntaxhighlight lang="python">

bs.select("title")

bs.select("body a")

bs.select("p > a")

bs.select("p:nth-of-type(3)")

</syntaxhighlight>

==修改文档树==
Beautiful Soup的强项是文档树的搜索,但同时也可以方便的修改文档树

==输出==
格式化输出使用prettify() 方法，如<code>bs.prettify()</code>。该方法将Beautiful Soup的文档树格式化后以Unicode编码输出，每个XML/HTML标签都独占一行。 如果不重视格式，也可以对象使用Python的str()方法，如<code>str(bs.title)</code>。

如果只想得到tag中包含的文本内容，那么可以调用 get_text() 方法，这个方法获取到tag中包含的所有文版内容包括子孙tag中的内容，并将结果作为Unicode字符串返回。如<code>bs.get_text()</code>。

==编码==
任何HTML或XML文档都有自己的编码方式,比如[[ASCII]] 或 [[UTF-8]]，但是使用Beautiful Soup解析后，文档都被转换成了[[Unicode]]。

==资源==
===网站===
*[https://www.crummy.com/software/BeautifulSoup/ Beautiful Soup]
*[https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/ Beautiful Soup 4 文档]

==参考文献==
*[https://en.wikipedia.org/wiki/Beautiful_Soup_(HTML_parser) 维基百科：Beautiful Soup]
*[https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/ Beautiful Soup 4 文档]

[[分类:数据分析]]