python网络爬虫（5）BeautifulSoup的使用示范

创建并显示原始内容

其中的lxml第三方解释器加快解析速度

import bs4

from bs4 import BeautifulSoup

html_str = """

<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" class="sister" id="link1"><!-- Elsie --></a>,

<a href="http://example.com/lacie" class="sister" id="link2"><!-- Lacie --></a> and

<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;

and they lived at the bottom of a well.</p>

<p class="story">...</p>

"""

soup = BeautifulSoup(html_str,'lxml')

print(soup.prettify())

控制台显示出soup需要处理的内容：

提取对象内容和属性

搜索包括了所有的标签。默认提取第一个符合条件的标签。

提取Tag对象

其中，name用于显示标签名，去掉name则内容直接显示。

print(soup.name)

print(soup.title.name)

print(soup.title)

print(soup.a)

控制台输出效果如下：

显示属性

attrs用于显示属性。class用于显示选中的标签Tag中的类名。

print(soup.p['class'])

print(soup.p.attrs)

输出结果：

内容文字

显示标记中的文字，NavigableString类型

print(soup.p.string)

print(type(soup.p.string))

效果：

显示注释

显示注释内容，注意与普通string的区别在于最后的类，用于数据分类

print(soup.a.string)

print(type(soup.a.string))

文档相关结点

直接子节点数组

结点中的contents输出直接子节点数组，可以通过for逐个输出，通过string属性直接输出内容

print(soup.body.contents)

输出body标签下的直接子节点：

结点children输出直接子节点，和contents类似。不一样的是返回了生成器，一点参考：https://www.cnblogs.com/wj-1314/p/8490822.html

for i in soup.body.children:

    print(i,end='')

添加了end=''用于去掉print的自动换行

子、孙节点

结点descendants可以输出子节点和孙节点

for i in soup.body.descendants:

    print(i)

效果：

节点strings输出全部子节点内容值

print(soup.strings)
print('------------------------')

for text in soup.strings:

    print(text,end='')

效果：

节点stripped_strings输出全部内容并去掉回车和空格

for text in soup.stripped_strings:

    print(text)

print每次输出加上换行后，效果：

父节点相关

父节点parent

print(soup.title)

print(soup.title.parent)

效果：

父辈节点parents，这里只输出名字就好了，否则内容过多

for i in soup.a.parents:

    print(i.name)

效果：

兄弟节点等

兄弟节点next_sibling，previous_sibling，另有：next_siblings,previous_siblings

print(soup.p.next_sibling.next_sibling)

print(soup.p.previous_sibling)

效果：

前后节点：next_element，next_elements等......

BeautifulSoup的搜索方法

包括了find_all，find，find_parents等等，这里只举例find_all。

find_all中参数name查找名称标记

查找所有b标签

print(soup.find_all('b'))

输出：

查找所有b开头的标签

配合正则表达式使用

import re

for tag in soup.find_all(re.compile("^b")):

    print(tag.name)

输出：

查找a开头和b开头的标签

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

输出：（一个数组，过长）

查找所有标签，True可以匹配任何值

for tag in soup.find_all(True):

　　print(tag.name)

输出：

自定义过滤

查找含有class和id属性的Tag标签

def hasClass_Id(tag):

    return tag.has_attr('class') and tag.has_attr('id')

print(soup.find_all(hasClass_Id))

效果：

查找关键词参数kwargs并输出

查找id参数为link2的标签

print(soup.find_all(id='link2'))

输出：

查找链接中含有elsie的标签

配合正则表达式

print(soup.find_all(href=re.compile("elsie")))

输出：

查找所有有id属性的标签

print(soup.find_all(id=True))

输出：

查找所有a标签且class内容为sister

print(soup.find_all("a", class_="sister"))

输出：

查找所有链接含有elsie的标签，id为link1

print(soup.find_all(href=re.compile("elsie"), id='link1'))

输出：

不能表达的属性的解决方案

在html5中有些属性不被支持，查找时，通过定义字典实现输出

data_soup = BeautifulSoup('<div data-foo="value">foo!</div>','lxml')

print(data_soup.find_all(attrs={"data-foo": "value"}))

输出：

通过text参数查找文本内容并过滤

输入：

print(soup.find_all(text=["Tillie", "Elsie", "Lacie"]))

print(soup.find_all(text=re.compile("Dormouse")))

输出：

通过limit参数限制查找数量

输入：

print(soup.find_all("a", limit=2))

输出只有两个：

通过recursive参数只查找直接子节点

soup位于根处

print(soup.find_all("title"))

print(soup.find_all("title", recursive=False))

输出：

使用CSS选择器查找

#直接查找title标签

print soup.select("title")

#逐层查找title标签

print soup.select("html head title")

#查找直接子节点

#查找head下的title标签

print soup.select("head > title")

#查找p下的id="link1"的标签

print soup.select("p > #link1")

#查找兄弟节点

#查找id="link1"之后class=sisiter的所有兄弟标签

print soup.select("#link1 ~ .sister")

#查找紧跟着id="link1"之后class=sisiter的子标签

print soup.select("#link1 + .sister")

print soup.select(".sister")

print soup.select("[class~=sister]")

print soup.select("#link1")

print soup.select("a#link2")

print soup.select('a[href]')

print soup.select('a[href="http://example.com/elsie"]')

print soup.select('a[href^="http://example.com/"]')

print soup.select('a[href$="tillie"]')

print soup.select('a[href*=".com/el"]')

输出：