Python HTML解析器BeautifulSoup用法实例详解【爬虫解析器】（Python HTML解析器BeautifulSoup用法实例详解爬虫解析器）

Python HTML解析器BeautifulSoup用法实例详解【爬虫解析器】

Python HTML解析器BeautifulSoup用法实例详解爬虫解析器

本文实例讲述了python html解析器beautifulsoup用法。分享给大家供大家参考，具体如下：

beautifulsoup简介

我们知道，python拥有出色的内置html解析器模块——htmlparser，然而还有一个功能更为强大的html或xml解析工具——beautifulsoup（美味的汤），它是一个第三方库。简单来说，beautifulsoup最主要的功能是从网页抓取数据。本文我们来感受一下beautifulsoup的优雅而强大的功能吧！

beautifulsoup安装

beautifulsoup3 目前已经停止开发，推荐在现在的项目中使用beautifulsoup4，不过它已经被移植到bs4了，也就是说导入时我们需要 import bs4 。可以利用 pip 或者 easy_install 两种方法来安装。下面采用pip安装。

?

1 2	pip install beautifulsoup4 pip install lxml

建议同时安装"lxml"模块，beautifulsoup支持python标准库中的html解析器（htmlparser），还支持一些第三方的解析器，如果我们不安装它，则 python 会使用 python默认的解析器，lxml 解析器更加强大，速度更快，推荐安装。

创建对象

安装后，创建对象：

?

1	soup = beautifulsoup(markup='html文件', 'lxml')

格式化输出：

?

1	soup.prettify()

beautifulsoup四大对象类型

beautifulsoup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:

• tag（标签）
• navigablestring（内容）
• beautifulsoup（文档）
• comment（注释）

1.tag类型

即html的整个标签，如获取<title>标签：

?

1 2	print soup.title #<title>the dormouse's story</title>

tag有两个重要属性：name，attrs。

name

即html的标签名称：

?

1 2 3 4

print soup.name #[document] print soup.head.name #head

attrs

即html的标签属性字典：

?

1 2	print soup.p.attrs #{'class': ['title'], 'name': 'dromouse'}

如果想要单独获取某个属性：

?

1 2	print soup.p['class'] #['title']

2.navigablestring类型

既然我们已经得到了整个标签，那么问题来了，我们要想获取标签内部的文字内容怎么办呢？很简单，用 string 即可：

?

1 2	print soup.p.string #the dormouse's story

3.beautifulsoup类型

beautifulsoup 对象表示的是一个文档的全部内容.：

?

1 2	print soup.name # [document]

4.comment类型

html的注释内容，注意的是，不包含注释符号。我们首先判断它的类型，是否为 comment 类型，然后再进行其他操作，如打印输出：

?

1 2 3

if type(soup.a.string)==bs4.element.comment:   print soup.a.string #<!-- elsie -->

遍历文档树

1.子节点

contents

获取所有子节点，返回列表：

?

1 2	print soup.head.contents #[<title>the dormouse's story</title>]

children

获取所有子节点，返回列表生成器：

?

1 2 3 4 5 6 7 8 9 10 11 12 13

print soup.head.children #<listiterator object at 0x7f71457f5710> ## 需要遍历 for child in soup.body.children:   print child ## 结果 <p class="title" name="dromouse"><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" href="http://example.com/elsie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link1"><!-- elsie --></a>, <a class="sister" href="http://example.com/lacie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link2">lacie</a> and <a class="sister" href="http://example.com/tillie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link3">tillie</a>; and they lived at the bottom of a well.</p> <p class="story">...</p>

2.节点内容

string

返回单个文本内容。如果一个标签里面没有标签了，那么 string 就会返回标签里面的内容。如果标签里面只有唯一的一个标签了，那么 string 也会返回最里面的内容。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。例如：

?

1 2 3 4 5 6

print soup.head.string print soup.title.string #the dormouse's story #the dormouse's story print soup.html.string # none

strings

返回多个文本内容，且包含空行和空格。

stripped_strings

返回多个文本内容，且不包含空行和空格：

?

1 2 3 4 5 6 7 8 9 10 11 12

for string in soup.stripped_strings:   print(repr(string))   # u"the dormouse's story"   # u"the dormouse's story"   # u'once upon a time there were three little sisters; and their names were'   # u'elsie'   # u','   # u'lacie'   # u'and'   # u'tillie'   # u';\nand they lived at the bottom of a well.'   # u'...'

get_text()方法

返回当前节点和子节点的文本内容。

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

from bs4 import beautifulsoup 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 href="http://example.com/elsie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" class="sister1" id="link1">elsie</a>,     <a href="http://example.com/lacie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" class="sister2" id="link2">lacie</a> and     <a href="http://example.com/tillie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" class="sister3" id="link3">tillie</a>;     and they lived at the bottom of a well.   </p>   <p class="story">...</p> </body> </html> """ soup = beautifulsoup(markup=html_doc,features='lxml') node_p_text=soup.find('p',class_='story').get_text()　　　　# 注意class_带下划线 print(node_p_text) # 结果 once upon a time there were three little sisters; and their names were     elsie,     lacie and     tillie;     and they lived at the bottom of a well.

3.父节点

parent

返回某节点的直接父节点：

?

1 2 3

p = soup.p print p.parent.name #body

parents

返回某节点的所有父辈及以上辈的节点：

?

1 2 3 4 5 6 7 8

content = soup.head.title.string for parent in content.parents:   print parent.name ## 结果 title head html [document]

4.兄弟节点

next_sibling

next_sibling 属性获取该节点的下一个兄弟节点，结果通常是字符串或空白，因为空白或者换行也可以被视作一个节点。

previous_sibling

previous_sibling 属性获取该节点的上一个兄弟节点。

?

1 2 3 4 5 6 7 8 9 10 11

print soup.p.next_sibling #    实际该处为空白 print soup.p.prev_sibling #none  没有前一个兄弟节点，返回 none print soup.p.next_sibling.next_sibling #<p class="story">once upon a time there were three little sisters; and their names were #<a class="sister" href="http://example.com/elsie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link1"><!-- elsie --></a>, #<a class="sister" href="http://example.com/lacie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link2">lacie</a> and #<a class="sister" href="http://example.com/tillie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link3">tillie</a>; #and they lived at the bottom of a well.</p> #下一个节点的下一个兄弟节点是我们可以看到的节点

next_siblings、previous_siblings

迭代获取全部兄弟节点。

5.前后节点

next_element、previous_element

不是针对于兄弟节点，而是在于所有节点，不分层次的前一个和后一个节点。

next_elements、previous_elements

迭代获取所有前和后节点。

搜索文档树

1.find_all(name=none, attrs={}, recursive=true, text=none, limit=none, **kwargs)

find_all()方法搜索当前tag的所有tag子节点，并判断是否符合过滤器的条件。

参数说明

name参数

name参数很强大，可以传多种方式的参数，查找所有名字为 name 的tag，字符串对象会被自动忽略掉。

（a）传标签名

最简单的过滤器是标签名。在搜索方法中传入一个标签名参数，beautifulsoup会查找与标签名完整匹配的内容，下面的例子用于查找文档中所有的<a>标签：

?

1 2

print soup.find_all('a') #[<a class="sister" href="http://example.com/elsie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link1"><!-- elsie --></a>, <a class="sister" href="http://example.com/lacie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link2">lacie</a>, <a class="sister" href="http://example.com/tillie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link3">tillie</a>]

返回结果列表中的元素仍然是beautifulsoup对象。

（b）传正则表达式

如果传入正则表达式作为参数，beautifulsoup会通过正则表达式的 match() 来匹配内容。下面例子中找出所有以b开头的标签,这表示<body>和<b>标签都应该被找到：

?

1 2 3 4 5

import re for tag in soup.find_all(re.compile("^b")):   print(tag.name) # body # b

（c）传列表

如果传入列表参数，beautifulsoup会将与列表中任一元素匹配的内容返回。下面代码找到文档中所有<a>标签和<b>标签：

?

1 2 3 4 5

soup.find_all(["a", "b"]) # [<b>the dormouse's story</b>, # <a class="sister" href="http://example.com/elsie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link1">elsie</a>, # <a class="sister" href="http://example.com/lacie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link2">lacie</a>, # <a class="sister" href="http://example.com/tillie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link3">tillie</a>]

（d）传true

true 可以匹配任何值，下面代码查找到所有的tag，但是不会返回字符串节点：

?

1 2 3 4 5 6 7 8 9 10 11

for tag in soup.find_all(true):   print(tag.name) # html # head # title # body # p # b # p # a # a

（e）传函数

如果没有合适过滤器，那么还可以定义一个方法，方法只接受一个元素参数。如果这个方法返回 true 表示当前元素匹配并且被找到，如果不是则反回 false：

?

1 2 3 4 5 6

def has_class_but_no_id(tag):   return tag.has_attr('class') and not tag.has_attr('id') soup.find_all(has_class_but_no_id) # [<p class="title"><b>the dormouse's story</b></p>, # <p class="story">once upon a time there were...</p>, # <p class="story">...</p>]

keyword参数

注意的是，如果一个指定名字的参数不是搜索内置的参数名，搜索时会把该参数当作指定名字tag的属性来搜索，如果包含一个名字为 id 的参数,beautifulsoup会搜索每个tag的”id”属性：

?

1 2

soup.find_all(id='link2') # [<a class="sister" href="http://example.com/lacie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link2">lacie</a>]

如果传入 href 参数，beautiful soup会搜索每个tag的"href"属性：

?

1 2

soup.find_all(href=re.compile("elsie")) # [<a class="sister" href="http://example.com/elsie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link1">elsie</a>]

使用多个指定名字的参数可以同时过滤tag的多个属性:

?

1 2

soup.find_all(href=re.compile("elsie"), id='link1') # [<a class="sister" href="http://example.com/elsie" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" rel="external nofollow" 标签：Python BeautifulSou 爬虫解析器 上一篇：node中使用token（浅谈node使用jwt生成的token应该存在哪里） 下一篇：sqlserver索引实例（SQL Server索引的原理深入解析） 您可能感兴趣 python读取文件的方法和区别（浅谈PYTHON 关于文件的操作） python验证码处理教程（python简单验证码识别的实现方法） python3.7标准库官方手册（Python3.7 dataclass使用指南小结） python2个字典合成（Python两个字典键同值相加的几种方法） Python实现模拟点击（用python实现刷点击率的示例代码） python3.5 tkinter教程（解决python3.5 正常安装 却不能直接使用Tkinter包的问题） python人脸识别实战视频（Python学习笔记之图片人脸检测识别实例教程） pythonflask系列教程（Python安装Flask环境及简单应用示例） pythonlist类型教程（Python List cmp知识点总结） 2021-10-07 00:38:09 python flask部署实例（Python Flask框架扩展操作示例） python条形码识别（python3转换code128条形码的方法） python html文字分段（Python对HTML转义字符进行反转义的实现方法） python面向对象的介绍（Python面向对象思想与应用入门教程类与对象） python类定义（浅谈python新式类和旧式类区别） python下的sql处理（python中aioysql异步操作MySQL的方法） 看完《夺冠》，黄渤的演技我实在夸不起来，彭昱畅反令人惊喜（黄渤的演技我实在夸不起来） 黄渤泪目 我的痴呆父亲，我内心永远的痛（黄渤泪目我的痴呆父亲） 蒜苔和鱿鱼尾巴一起炒，味道特别棒，又脆又嫩，有滋又有味（蒜苔和鱿鱼尾巴一起炒） 鱿鱼炒蒜苔不是黑暗料理，这样做清香扑鼻，鲜美脆嫩，开胃又下饭（鱿鱼炒蒜苔不是黑暗料理） 蒜苔炒鱿鱼（蒜苔炒鱿鱼） 远离 五毛食品 洛阳80后妈妈发明的 飞行棋 成校园爆款 玩具（远离五毛食品） 热门推荐 mysql中查询数据合并（Mysql合并结果接横向拼接字段的实现步骤） 面试时如何向公司提问 sqlserver分表后如何查询（SQL Server中row_number分页查询的用法详解） python操作redis（Python获取Redis所有Key以及内容的方法） sql中where和having可以同时用吗（SQL where条件和jion　on条件的详解及区别） Uncaught TypeError: jQuery.handleError is not a function python一分钟认识条件判断（对python判断ip是否可达的实例详解） 前端用图片隐藏请求接口（前端实现打印图像功能） mysql中json的支持（MySQL中json字段的操作方法） python函数基本操作（Python定义函数功能与用法实例详解） 排行榜 1 python中内存管理机制（Python中整数的缓存机制讲解） 2 python怎么设置matlab编程（实例详解Matlab 与 Python 的区别） 3 python中可以改变的数据类型（Python常见数据类型转换操作示例） 4 python的4种数字变量（Python将字符串常量转化为变量方法总结） 5 python字典的值排序（python 对字典按照value进行排序的方法） 6 python下的sql处理（python中aioysql异步操作MySQL的方法） 7 python类定义（浅谈python新式类和旧式类区别） 8 python面向对象的介绍（Python面向对象思想与应用入门教程类与对象） 9 python html文字分段（Python对HTML转义字符进行反转义的实现方法） 首页 编程学习 Web前端 数据库 软件设计 开心学习 ©2013-2021 保留所有权利