python网络爬虫学习笔记（二）BeautifulSoup库

Beautiful Soup库也称为beautiful4库、bs4库，它可用于解析HTML/XML，并将所有文件、字符串转换为'utf-8'编码。HTML/XML文档是与“标签树一一对应的。具体地说，Beautiful Soup库是可以解析、遍历、维护HTML/XML文件的“标签树”的功能库。本文总结了BeautifulSoup的基本使用方法。

一、Beautiful Soup库基本元素

---

库的比较常见的引用方式如下

from bs4 import BeautifulSoup #从Beautiful Soup库引入BeautifulSoup类

import bs4 #直接引入Beautiful Soup库

Beautiful Soup库可用的解析器有以下4种：

• bs4的HTML解析器：BeautifulSoup(mk, 'html.parser')
• lxml的HTML解析器：BeautifulSoup(mk, 'lxml')
• lxml的XML解析器：BeautifulSoup(mk, 'xml')
• html5lib的解析器：BeautifulSoup(mk, 'html5lb')

BeautifulSoup类对应一个HTML/XML文档的全部内容，其5种基本元素罗列如下：

• Tag：标签，最基本的信息组织单元，分别用<>和</>标明开头和结尾
• Name：标签的名字，<p>...</p>的名字是'p'，格式<tag>.name
• Attributes：标签的属性，字典形式组织，格式<tag>.attrs
• NavigableString：标签内非属性字符串，<>...</>中字符串，格式<tag>.string
• Comment：标签内字符串的注释部分，一种特殊的Comment类型

下面一段运行实例，其中demo是一段HTML代码

我们看一下a标签，其父标签以及祖父标签的名字

接下来，解析a标签的属性

从中可以看到，属性是字典类型。

再看一看标签本身的类型

标签的NavigableString元素

获取标签的Comment（与获取NavigableString比较）

p标签包含b标签，然而p.string并不包含b标签，这说明NavigableString是可以跨越多个标签层次的。

二、利用Beautiful Soup库遍历HTML内容

---

前面提到，HTML文档其实就是一棵标签树。对HTML的遍历即是对标签树的遍历。遍历的方式分为上行遍历、下行遍历和平行遍历。

2.1 标签树的下行遍历

标签树的下行遍历包含三个属性

• .contents：子节点的列表，将<tag>所有儿子节点存入列表
• .children：子节点的迭代类型，与.content相似，用于循环遍历儿子节点
• .descendants：子孙节点的迭代类型，包含所有子孙节点，用于循环遍历

使用.contents获取子节点列表的示例如下

一般地，如果要遍历子节点，可以用如下代码框架

for child in soup.body.children:
    print(child)

如果要遍历子孙节点，则可以用如下代码框架

for child in soup.body.descendents:
    print(child)

2.2 标签树的上行遍历

上行遍历包含的属性罗列如下：

• .parent：节点的父亲标签
• .parents：节点先辈标签的迭代模型，用于循环遍历先辈节点

下面是使用.parent获取父标签的一段实例

这里看到，html是最高级的标签，因此其父标签即为自己。

一般地，对标签树进行上行遍历，可采用如下代码框架

for parent in soup.a.parents:
    if parent is None:
        print(parent)
    else:
        print(parent.name)

相应给出一段运行实例：打印所有先辈标签的名字

2.3 标签树的平行遍历

Beautiful Soup库提供以下四种平行遍历属性：

• .next_sibling：返回按照HTML文本顺序的下一个平行节点标签
• .previous_sibling：返回按照HTML文本顺序的上一个平行节点标签
• .next_siblings：迭代类型，返回按照HTML文本顺序的后续所有平行节点标签
• .previous_siblings：迭代类型，返回按照HTML文本顺序的前续所有平行节点标签

值得注意的是，平行遍历是在同一个父节点下建立的。

一段运行实例

最后，soup.a.previous_sibling.previous_sibling没有输出，说明a标签的前一个再前一个节点标签为空。

一般地，标签树的平行遍历可采用如下代码框架

for sibling in soup.a.next_siblings: #遍历后续节点
    print(sibling)

for sibling in soup.a.previous_siblings: #遍历前续节点
    print(sibling)

三、基于Beautiful Soup库的HTML格式输出

---

bs4库提供了prettify()方法，用于对HTML的内容给出更友好的输出。

下面是一段运行实例

看到pretiffy()在每个标签后添加了换行符'\n'。将相关信息打印出来，得到如下结果

prettify()也可以对某一个标签进行处理，示例如下

相关内容为笔者根据中国大学MOOC网站嵩天教授的python爬虫课程所撰写的学习笔记，感谢中国MOOC学习平台提供的学习资源与嵩老师的授课。