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

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

下载BS4的源码，然后通过setup.py来安装。

Python setup.py install

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")

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。如下：

from urllib.request import urlopen
from bs4 import BeautifulSoup
html = urlopen('https://www.baidu.com')
bs = BeautifulSoup(html.read(), 'html.parser')

#获取 <head> 标签
bs.head
#获取 <body> 标签
bs.body

#获取 <body> 标签中第一个<b>标签
bs.body.b

#通过点取属性的方式只能获得当前名字的第一个tag:
bs.a
#要想取得这个名字标签的全部标签，可以使用find_all()方法
bs.find_all('a')

tag的 .contents 属性可以将tag的子节点以列表的方式输出:

head_tag = bs.head
head_tag.contents
#列表中第一个子节点
head_tag.contents[0]
#子节点个数
#len(head_tag.contents)

#BeautifulSoup 对象本身一定会包含子节点,也就是说<html>标签也是 BeautifulSoup 对象的子节点
bs.contents[0] 
#'html'

.contents 和 .children 属性仅包含tag的直接子节点。而.descendants属性可以对所有tag的子孙节点进行递归循环。

如果tag只有一个 NavigableString 类型子节点,那么这个tag可以使用 .string 得到子节点。但如果tag包含了多个子节点,tag就无法确定 .string 方法应该调用哪个子节点的内容, .string 的输出结果是 None，要使用.strings或.stripped_strings来获取，使用.stripped_strings获取时会自动除去空格和空行，全部是空格的行会被忽略掉,段首和段末的空白会被删除。

bs.title.sting
#'百度一下，你就知道'
bs.body.string
#None

#有多个NavigableString 型子节点使用.strings
for string in bs.body.strings:
    print(repr(string))

#使用.stripped_strings除去空格和空行
for string in bs.stripped_strings:
    print(repr(string))

父节点

搜索文档树

资源

网站

参考文献