Python3.x的BeautifulSoup解析html常用函数

Python3.x的BeautifulSoup解析html常用函数

1，初始化：

soup = BeautifulSoup(html) # html为html源代码字符串，type(html) == str

2，用tag获取相应代码块的剖析树：

#当用tag作为搜索条件时，我们获取的包含这个tag块的剖析树：
#<tag><xxx>ooo</xxx></tag>
#这里获取head这个块
head = soup.find('head')
# or
# head = soup.head
# or
# head = soup.contents[0].contents[0]

contents属性是一个列表，里面保存了该剖析树的直接儿子，如：

html = soup.contents[0] # <html> ... </html>
head = html.contents[0] # <head> ... </head>
body = html.contents[1] # <body> ... </body>

3，用contents[], parent, nextSibling, previousSibling寻找父子兄弟tag:

　 beautifulSoup提供了几个简单的方法直接获取当前tag块的父子兄弟。

　假设我们已经获得了body这个tag块，我们想要寻找<html>, <head>, 第一个<p>, 第二个<p>这四个tag块：

# body = soup.bodyhtml = body.parent # html是body的父亲
head = body.previousSibling # head和body在同一层，是body的前一个兄弟
p1 = body.contents[0] # p1, p2都是body的儿子，我们用contents[0]取得p1
p2 = p1.nextSibling # p2与p1在同一层，是p1的后一个兄弟, 当然body.content[1]也可得到

print(p1.text)
# u'This is paragraphone.'
print(p2.text)
# u'This is paragraphtwo.'
#  注意：1，每个tag的text包括了它以及它子孙的text。2，所有text已经被自动转
#为unicode，如果需要，可以自行转码encode(xxx)

4，用find, findParent, findNextSibling, findPreviousSibling寻找祖先或者子孙 tag：

　 find方法（我理解和findChild是一样的），就是以当前节点为起始，遍历整个子树，找到后返回。

　而这些方法的复数形式，会找到所有符合要求的tag，以list的方式放回。他们的对应关系是：find->findall, findParent->findParents, findNextSibling->findNextSiblings...，如：

print soup.findAll('p')
# [<p id="firstpara" align="center">This is paragraph <b>one</b>.</p>, <p id="secondpara" align="blah">This is paragraph <b>two</b>.</p>]

5，find的几种用法，其他的类比： find(name=None, attrs={}, recursive=True, text=None, **kwargs)，文档参考：　　　　      https://www.crummy.com/software/BeautifulSoup/bs3/documentation.zh.html#The%20basic%20find%20method:%20findAll%28name,%20attrs,%20recursive,%20text,%20limit,%20**kwargs%29）

　（1）.搜索tag：

find(tagname)        # 直接搜索名为tagname的tag 如：find('head')
find(list)           # 搜索在list中的tag，如: find(['head', 'body'])
find(dict)           # 搜索在dict中的tag，如:find({'head':True, 'body':True})
find(re.compile('')) # 搜索符合正则的tag, 如:find(re.compile('^p')) 搜索以p开头的tag
find(lambda)         # 搜索函数返回结果为true的tag, 如:find(lambda name: if len(name) == 1) 搜索长度为1的tag
find(True)           # 搜索所有tag

　（2），搜索属性(attrs)：

find(id='xxx')                                  # 寻找id属性为xxx的
find(attrs={id=re.compile('xxx'), algin='xxx'}) # 寻找id属性符合正则且algin属性为xxx的
find(attrs={id=True, algin=None})               # 寻找有id属性但是没有algin属性的

　（3），搜索文字（text）:

　　         注意：文字的搜索会导致其他搜索给的值如：tag, attrs都失效。

方法与搜索tag一致；

　（4），recursive, limit：

　　　　  recursive=False表示只搜索直接儿子，否则搜索整个子树，默认为True。

　　　　 当使用findAll或者类似返回list的方法时，limit属性用于限制返回的数量，如findAll('p', limit=2)： 返回首先找到的两个tag