Beautiful Soup

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

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

下载BS4的源码，然后通过setup.py来安装。

Python setup.py install

了解更多 >> 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。

import requests

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

bs = BeautifulSoup(response.content, 'html.parser')
tag = bs.body

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：

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

文档解析器

Beautiful Soup支持Python标准库的HTML解析器 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，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：

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"]) 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 >> BeautifulSoup 4 文档：安装解析器 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:

类	描述	对象生成	对象操作
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BeautifulSoup(markup, "html.parser")
Tag	Tag对象与XML或HTML原生文档中的tag（标签）相同。	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，bs.p	标签名称通过对象.name获取，如tag.name。 标签的某个属性可以通过对象的.属性名或[属性名]操作获取，如tag['class']或tag.class 标签的所有属性可以通过对象的.attrs获取，返回字典类型。
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。 如tag.string
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。 如tag.string

了解更多 >> 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，最重要的两个属性为name和attributes。示例如下：

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

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:

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

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。

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'

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：

属性	描述	示例
.标签名称	获取对象第一个该名称标签。	bs.p获取bs的第一个名称为p的标签。 bs.p.b
.contents	以列表形式输出对象的子节点。只包括子代节点。	bs.contents
.children	返回一个所有子节点list_iterator迭代器。只包括子代节点。	bs.children
.descendants	返回一个递归的子孙节点生成器。	bs.descendants
.string	返回节点NavigableString对象，当该节点有多个NavigableString对象，返回空。	tag.string
.strings	返回节点所有NavigableString对象生成器。	tag.strings
.stripped_strings	与.strings一样，但会去掉字符串中多余的空格或空行	tag.stripped_strings

父节点

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

属性	描述	示例
.parent	获取某个元素的父节点	tag.parent
.parents

兄弟节点

属性	描述	示例
.next_sibling		tag.next_sibling
.previous_sibling
.next_siblings		tag.next_sibling
.previous_siblings

回退和前进

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.	tag.next_element
.previous_element		tag.previous_element
.next_elements 和		tag.next_elements
.previous_elements		tag.previous_elements

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。

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。	bs.select("p > #toc")

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：

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）。	bs.find_all("title")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id='link2',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class_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。	soup.find_all("a", limit=2)
recursive	限制只搜索直接子节点，而不是全部的子孙节点。	tag.find_all("a", recursive=False)

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。

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。	bs.find("title")查找名称为“title”的tag bs.find_all(class_ = 'section')查找class属性为“section”的tag bs.find(id = 'toc')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re模块的search()函数来匹配内容。	bs.find_all(re.compile("^b")查找所有tag名称以"b"字母开头的tag。 soup.find_all(class_ = "data", id = re.compile("t"))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。	bs.find_all(["a", "div"])查找所有tag名称为"a"或"div"的tag。 bs.find_all("div", class_ = ["section", "data"])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。	bs.find_all(True)查找所有tag。 bs.find_all(class_ = True)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：

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)

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：

bs.select("title")

bs.select("body a")

bs.select("p > a")

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

资源

网站

• Beautiful Soup
• Beautiful Soup 4 文档

参考文献

• 维基百科：Beautiful Soup
• Beautiful Soup 4 文档