Python爬虫之BeautifulSoup

简介

目前成都创新互联公司已为上千多家的企业提供了网站建设、域名、雅安服务器托管、网站托管、服务器租用、企业网站设计、旬阳网站维护等服务，公司将坚持客户导向、应用为本的策略，正道将秉承"和谐、参与、激情"的文化，与客户和合作伙伴齐心协力一起成长，共同发展。

Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。你不需要考虑编码方式，除非文档没有指定一个编码方式，这时，Beautiful Soup就不能自动识别编码方式了。然后，你仅仅需要说明一下原始编码方式就可以了。

Beautiful Soup已成为和lxml、html6lib一样出色的python解释器，为用户灵活地提供不同的解析策略或强劲的速度。

安装

 
 
 
 
  
  
  
  
pip install BeautifulSoup4 
  
  
  
  
 
  
  
  
  
或 
  
  
  
  
 
  
  
  
  
easy_install BeautifulSoup4 
 
 
 

创建BeautifulSoup对象

首先应该导入BeautifulSoup类库

 
 
 
 
  
  
  
  
from bs4 import BeautifulSoup 
 
 
 

下面开始创建对像，在开始之前为了方便演示，先创建一个html文本，如下：

 
 
 
 
  
  
  
  
html = """ 
  
  
  
  
 
  
  
  
  
 
  
  
  
  
 
  
  
  
  
 
  
  
  
  
 
  
  
  
  
The Dormouse's story
 
  
  
  
  
 
  
  
  
  
Once upon a time there were three little sisters; and their names were 
  
  
  
  
 
  
  
  
  
, 
  
  
  
  
 
  
  
  
  
Lacie and 
  
  
  
  
 
  
  
  
  
Tillie; 
  
  
  
  
 
  
  
  
  
and they lived at the bottom of a well.
 
  
  
  
  
 
  
  
  
  
...
 
  
  
  
  
 
  
  
  
  
""" 
 
 
 

创建对象：soup=BeautifulSoup(html,’lxml’),这里的lxml是解析的类库，目前来说个人觉得***的解析器了，一直在用这个，安装方法：

 
 
 
 
  
  
  
  
pip install lxml 
 
 
 

Tag

Tag就是html中的一个标签，用BeautifulSoup就能解析出来Tag的具体内容，具体的格式为soup.name,其中name是html下的标签，具体实例如下：

 
 
 
 
  
  
  
  
print soup.title # 输出title标签下的内容，包括此标签，这个将会输出 
  
  
  
  
 
  
  
  
  
print soup.head 
 
 
 

注意：

这里的格式只能获取这些标签的***个，后面会讲到获取多个标签的方法。其中对于Tag有两个重要的属性name和attrs,分别表示名字和属性,介绍如下：

• name:对于Tag，它的name就是其本身，如soup.p.name就是p
• attrs是一个字典类型的，对应的是属性-值，如print soup.p.attrs,输出的就是{‘class’: [‘title’], ‘name’: ‘dromouse’},当然你也可以得到具体的值，如print soup.p.attrs[‘class’],输出的就是[title]是一个列表的类型，因为一个属性可能对应多个值,当然你也可以通过get方法得到属性的，如：print soup.p.get(‘class’)。还可以直接使用print soup.p[‘class’]

get

get方法用于得到标签下的属性值，注意这是一个重要的方法，在许多场合都能用到，比如你要得到标签下的图像url,那么就可以用soup.img.get(‘src’),具体解析如下：

 
 
 
 
  
  
  
  
print soup.p.get("class") #得到***个p标签下的src属性 
 
 
 

string

得到标签下的文本内容，只有在此标签下没有子标签，或者只有一个子标签的情况下才能返回其中的内容，否则返回的是None具体实例如下：

 
 
 
 
  
  
  
  
print soup.p.string #在上面的一段文本中p标签没有子标签，因此能够正确返回文本的内容         
  
  
  
  
 
  
  
  
  
print soup.html.string  #这里得到的就是None,因为这里的html中有很多的子标签 
 
 
 

get_text()

可以获得一个标签中的所有文本内容，包括子孙节点的内容，这是最常用的方法

搜索文档树

find_all( name , attrs , recursive , text , **kwargs )

find_all是用于搜索节点中所有符合过滤条件的节点

1. name参数：是Tag的名字，如p,div,title …..

soup.find_all("p") 查找所有的p标签，返回的是[The Dormouse's story]，可以通过遍历获取每一个节点，如下：

 
 
 
 
  
  
  
  
ps=soup.find_all("p") 
  
  
  
  
 
  
  
  
  
for p in ps: 
  
  
  
  
 
  
  
  
  
    print p.get('class')   #得到p标签下的class属性 
 
 
 

传入正则表达式：soup.find_all(re.compile(r’^b’)查找以b开头的所有标签，这里的body和b标签都会被查到

传入类列表：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标签和标签

 
 
 
 
  
  
  
  
soup.find_all(["a", "b"]) 
 
 
 

2. KeyWords参数，就是传入属性和对应的属性值，或者一些其他的表达式

• soup.find_all(id='link2'),这个将会搜索找到所有的id属性为link2的标签。传入正则表达式soup.find_all(href=re.compile("elsie")),这个将会查找所有href属性满足正则表达式的标签
• 传入多个值：soup.find_all(id='link2',class_='title') ,这个将会查找到同时满足这两个属性的标签，这里的class必须用class_传入参数，因为class是python中的关键词
• 有些属性不能通过以上方法直接搜索，比如html5中的data-*属性，不过可以通过attrs参数指定一个字典参数来搜索包含特殊属性的标签，如下：

 
 
 
 
  
  
  
  
# [foo!