python爬虫（7）--Beautiful Soup的用法

1.Beautiful Soup简介

简单来说，Beautiful Soup是python的一个库，最主要的功能是从网页抓取数据。

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。

2.Beautiful Soup安装

可以利用 pip 或者 easy_install 来安装（进入python安装目录，进入Scripts文件夹，运行cmd）

easy_install beautifulsoup4

pip install beautifulsoup4

然后需要安装 lxml

easy_install lxml

pip install lxml

另一个可供选择的解析器是纯Python实现的 html5lib , html5lib的解析方式与浏览器相同,可以选择下列方法来安装html5lib:

easy_install html5lib

pip install html5lib

Beautiful Soup支持Python标准库中的HTML解析器,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。

3.创建 Beautiful Soup 对象

首先必须要导入 bs4 库，创建 beautifulsoup 对象，还可以用本地 HTML 文件来创建对象，下面我们来打印一下 soup 对象的内容，格式化输出

from bs4 import BeautifulSoup

soup = BeautifulSoup(open('test.html'), "html5lib")
print soup.prettify()

4. 四大对象种类

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:

• Tag
• NavigableString
• BeautifulSoup
• Comment

（1）Tag

Tag 是什么？通俗点讲就是 HTML 中的一个个标签。HTML 标签加上里面包括的内容就是 Tag，下面来感受一下怎样用 Beautiful Soup 来方便地获取 Tags。

# -*- coding: utf-8 -*-
from bs4 import BeautifulSoup

encoding = "utf-8"
soup = BeautifulSoup(open('test.html'), "html5lib", from_encoding=encoding)
print soup.prettify()
print soup.a.encode('gbk')
print soup.title.encode('gbk')

可以利用 soup加标签名轻松地获取这些标签的内容，它查找的是在所有内容中的第一个符合要求的标签，如果要查询所有的标签，在后面进行介绍。

对于 Tag，它有两个重要的属性，是 name 和 attrs

name

soup 对象本身比较特殊，它的 name 即为 [document]，对于其他内部标签，输出的值便为标签本身的名称。

print soup.name
print soup.a.name

[document]
a

attrs

把 p 标签的所有属性打印输出了出来，得到的类型是一个字典。

print soup.p.attrs

如果我们想要单独获取某个属性，可以这样

print soup.p['class']

还可以这样，利用get方法，传入属性的名称，二者是等价的

print soup.p.get('class')

可以对这些属性和内容等等进行修改

soup.p['class'] = "newClass"
print soup.p

（2）NavigableString

既然已经得到了标签的内容，那么问题来了，要想获取标签内部的文字怎么办呢？很简单，用 .string 即可，例如

print soup.title.string

这样我们就轻松获取到了标签里面的内容，它的类型是一个 NavigableString，翻译过来叫 可以遍历的字符串

（3）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，是一个特殊的 Tag。

（4）Comment

Comment 对象是一个特殊类型的 NavigableString 对象，其实输出的内容仍然不包括注释符号，但是如果不好好处理它，可能会对我们的文本处理造成意想不到的麻烦

5. 遍历文档树

（1）直接子节点

.contents

tag 的 .content 属性可以将tag的子节点以列表的方式输出

print soup.a.contents
#[<img src="data:images/cd/images/dl.png"/>]

输出方式为列表，可以用列表索引来获取它的某一个元素

print soup.a.contents[0]
#<img src="data:images/cd/images/dl.png"/>

.children

它返回的不是一个 list，不过可以通过遍历获取所有子节点，它是一个 list 生成器对象。

for child in soup.body.children:
    print child.encode('gbk')

（2）所有子孙节点

.descendants

.contents 和 .children 属性仅包含tag的直接子节点，.descendants 属性可以对所有tag的子孙节点进行递归循环，和 children类似，也需要遍历获取其中的内容。

for child in soup.descendants:
    print child.encode('gbk')

（3）节点内容

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。如果一个tag仅有一个子节点,那么这个tag也可以使用 .string 方法,输出结果与当前唯一子节点的 .string 结果相同。

通俗点说就是：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。

print soup.title.string
print soup.head.string
#中南财经政法大学统一身份认证
#None

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

（4）多个内容

.strings

 获取多个内容，不过需要遍历获取

for string in soup.strings:
    print string

.stripped_strings

输出的字符串中可能包含了很多空格或空行,使用 .stripped_strings 可以去除多余空白内容

for string in soup.stripped_strings:
    print string

（5）父节点

p = soup.p
print p.parent.name

（6）全部父节点

通过元素的 .parents 属性可以递归得到元素的所有父辈节点

p = soup.p
for parent in p.parents:
    print parent.name

（7）兄弟节点

兄弟节点可以理解为和本节点处在统一级的节点，.next_sibling 属性获取了该节点的下一个兄弟节点，.previous_sibling 则与之相反，如果节点不存在，则返回 None

注意：实际文档中的tag的 .next_sibling 和 .previous_sibling 属性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，所以得到的结果可能是空白或者换行

print soup.a.next_sibling.encode('gbk')
print soup.a.prev_sibling.encode('gbk')
#<span class="f-font"><a href="http://authserver.zuel.edu.cn/authserver/getBackPasswordMainPage.do">忘记密码？</a></span>
#None

（8）全部兄弟节点

通过 .next_siblings 和 .previous_siblings 属性可以对当前节点的兄弟节点迭代输出

for sibling in soup.a.next_siblings:
    print sibling

（9）前后节点

与 .next_sibling  .previous_sibling 不同，它并不是针对于兄弟节点，而是在所有节点，不分层次

print soup.a.next_element

（10）所有前后节点

通过 .next_elements 和 .previous_elements 的迭代器就可以向前或向后访问文档的解析内容,就好像文档正在被解析一样

for element in soup.a.next_elements:
    print element

6.搜索文档树

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

1）name 参数

name 参数可以查找所有名字为 name 的tag,字符串对象会被自动忽略掉

A.传字符串

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,Beautiful Soup会查找与字符串完整匹配的内容,下面的例子用于查找文档中所有的<a>标签

for i in soup.find_all('a'):
    print i

B.传正则表达式

如果传入正则表达式作为参数,Beautiful Soup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t开头的标签，这表示<title>，<tbody>，<table>,<tr>,<td>标签都应该被找到

for tag in soup.find_all(re.compile("^t")):
    print tag.name

C.传列表

如果传入列表参数,Beautiful Soup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<title>标签

print soup.find_all(["a", "title"])

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

for tag in soup.find_all(True):
    print tag.name

E.传方法

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

下面方法校验了当前元素,如果包含 class 属性却不包含 id 属性,那么将返回 True

def abc(tag):
    return tag.has_attr('a') and not tag.has_attr('p')
print soup.find_all(abc)

2）keyword 参数

注意：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,Beautiful Soup会搜索每个tag的”id”属性

print soup.find_all(id="sending")

如果传入 href 参数,Beautiful Soup会搜索每个tag的”href”属性

print soup.find_all(href=re.compile('login'))

使用多个指定名字的参数可以同时过滤tag的多个属性

print soup.find_all(type=re.compile('text'), id='username')

用 class 过滤，要加个下划线

print soup.find_all("div", class_='form_list_user')

有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性，但是可以通过 find_all() 方法的 attrs 参数定义一个字典参数来搜索包含特殊属性的tag

data_soup = BeautifulSoup('<div data-info="value">nice!</div>', "lxml")
print data_soup.find_all(attrs={'data-info': 'value'})

3）text 参数

通过 text 参数可以搜搜文档中的字符串内容.与 name 参数的可选值一样, text 参数接受 字符串 , 正则表达式 , 列表, True

for i in soup.find_all(text="用户名:"):
    print i.encode('gbk')
#用户名:

4）limit 参数

find_all() 方法返回全部的搜索结构,如果文档树很大那么搜索会很慢.如果我们不需要全部结果,可以使用 limit 参数限制返回结果的数量.效果与SQL中的limit关键字类似,当搜索到的结果数量达到 limit 的限制时,就停止搜索返回结果.

for i in soup.find_all('a',limit=2):
    print i.encode('gbk')

5）recursive 参数

调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False .

for i in soup.find_all('div',class_= "form_list_user", recursive=False):
    print i.encode('gbk')

（2）find( name , attrs , recursive , text , **kwargs )

它与 find_all() 方法唯一的区别是 find_all() 方法的返回结果是值包含一个元素的列表,而 find() 方法直接返回结果

（3）find_parents()  find_parent()

find_all() 和 find() 只搜索当前节点的所有子节点,孙子节点等. find_parents() 和 find_parent() 用来搜索当前节点的父辈节点,搜索方法与普通tag的搜索方法相同,搜索文档搜索文档包含的内容

（4）find_next_siblings()  find_next_sibling()

这2个方法通过 .next_siblings 属性对当 tag 的所有后面解析的兄弟 tag 节点进行迭代, find_next_siblings() 方法返回所有符合条件的后面的兄弟节点,find_next_sibling() 只返回符合条件的后面的第一个tag节点

（5）find_previous_siblings()  find_previous_sibling()

这2个方法通过 .previous_siblings 属性对当前 tag 的前面解析的兄弟 tag 节点进行迭代, find_previous_siblings()方法返回所有符合条件的前面的兄弟节点, find_previous_sibling() 方法返回第一个符合条件的前面的兄弟节点

（6）find_all_next()  find_next()

这2个方法通过 .next_elements 属性对当前 tag 的之后的 tag 和字符串进行迭代, find_all_next() 方法返回所有符合条件的节点, find_next() 方法返回第一个符合条件的节点

（7）find_all_previous() 和 find_previous()

这2个方法通过 .previous_elements 属性对当前节点前面的 tag 和字符串进行迭代, find_all_previous() 方法返回所有符合条件的节点, find_previous()方法返回第一个符合条件的节点

（2）（3）（4）（5）（6）（7）方法参数用法与 find_all() 完全相同，原理均类似

7.CSS选择器

我们在写 CSS 时，标签名不加任何修饰，类名前加点.，id名前加 #，在这里我们也可以利用类似的方法来筛选元素，用到的方法是 soup.select()，返回类型是 list

（1）通过标签名查找

print soup.select("title")

（2）通过类名查找

print soup.select(".form_list_user")

（3）通过 id 名查找

print soup.select("#username")

（4）组合查找

组合查找和写 class 文件时，标签名与类名、id名进行的组合原理是一样的，例如查找 div 标签中，class等于logo的内容，二者需要用空格分开

print soup.select("div .logo")

直接子标签查找

print soup.select("head > title")

（5）属性查找

查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到。

print soup.select("div[class='logo']")

同样，属性仍然可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格。以上的 select 方法返回的结果都是列表形式，可以遍历形式输出，然后用 get_text() 方法来获取它的内容。

for div in soup.select("div .form_list_user"):
    print div.get_text()