python爬虫beautifulsoup详细教程

BeautifulSoup4是爬虫必学的技能。BeautifulSoup最主要的功能是从网页抓取数据，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。BeautifulSoup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，但lxml 解析器更加强大，速度更快，推荐使用lxml 解析器。

BeautifulSoup4和 lxml 一样，Beautiful Soup 也是一个HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 数据。

BeautifulSoup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，推荐使用lxml 解析器。

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。

二、BeautifulSoup4主要解析器，以及优缺点：

三、BeautifulSoup4简单使用
假设有这样一个Html，具体内容如下：

创建beautifulsoup4对象：

from bs4 import BeautifulSoup
file = open(’./aa.html’, ‘rb’)
html = file.read()
bs = BeautifulSoup(html,“html.parser”) # 缩进格式
print(bs.prettify()) # 格式化html结构
print(bs.title) # 获取title标签的名称
print(bs.title.name) # 获取title的name
print(bs.title.string) # 获取head标签的所有内容
print(bs.head)
print(bs.div) # 获取第一个div标签中的所有内容
print(bs.div[“id”]) # 获取第一个div标签的id的值
print(bs.a)
print(bs.find_all(“a”)) # 获取所有的a标签
print(bs.find(id=“u1”)) # 获取id=“u1”
for item in bs.find_all(“a”):
print(item.get(“href”)) # 获取所有的a标签，并遍历打印a标签中的href的值
for item in bs.find_all(“a”):
print(item.get_text())

四、BeautifulSoup4四大对象种类
BeautifulSoup4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
4.1、Tag

Tag通俗点讲就是HTML中的一个个标签，例如：

from bs4 import BeautifulSoup
file = open(’./aa.html’, ‘rb’)
html = file.read()
bs = BeautifulSoup(html,“html.parser”)
#获取title标签的所有内容
print(bs.title)
#获取head标签的所有内容
print(bs.head)
#获取第一个a标签的所有内容
print(bs.a)
#类型
print(type(bs.a))
我们可以利用 soup 加标签名轻松地获取这些标签的内容，这些对象的类型是bs4.element.Tag。但是注意，它查找的是在所有内容中的第一个符合要求的标签。

对于 Tag，它有两个重要的属性，是 name 和 attrs：

from bs4 import BeautifulSoup
file = open(’./aa.html’, ‘rb’)
html = file.read()
bs = BeautifulSoup(html,“html.parser”)
#[document] #bs 对象本身比较特殊，它的 name 即为 [document]
print(bs.name)
#head #对于其他内部标签，输出的值便为标签本身的名称
print(bs.head.name)
#在这里，我们把 a 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(bs.a.attrs)
#还可以利用get方法，传入属性的名称，二者是等价的
print(bs.a[‘class’]) # 等价 bs.a.get(‘class’)
#可以对这些属性和内容等等进行修改
bs.a[‘class’] = “newClass”
print(bs.a)
#还可以对这个属性进行删除
del bs.a[‘class’]
print(bs.a)

4.2、NavigableString

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

from bs4 import BeautifulSoup
file = open(’./aa.html’, ‘rb’)
html = file.read()
bs = BeautifulSoup(html,“html.parser”)

print(bs.title.string)
print(type(bs.title.string))

4.3、BeautifulSoup

BeautifulSoup对象表示的是一个文档的内容。大部分时候，可以把它当作 Tag 对象，是一个特殊的 Tag，我们可以分别获取它的类型，名称，以及属性，例如：

from bs4 import BeautifulSoup
file = open(’./aa.html’, ‘rb’)
html = file.read()

bs = BeautifulSoup(html,“html.parser”)
print(type(bs.name))
print(bs.name)
print(bs.attrs)

4.4、Comment

Comment 对象是一个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号。

from bs4 import BeautifulSoup
file = open(’./aa.html’, ‘rb’)
html = file.read()
bs = BeautifulSoup(html,“html.parser”)
print(bs.a)
#此时不能出现空格和换行符，a标签如下：

print(bs.a.string) # 新闻
print(type(bs.a.string)) # <class ‘bs4.element.Comment’>

五、遍历文档树
5.1、.contents：获取Tag的所有子节点，返回一个list

#tag的.content 属性可以将tag的子节点以列表的方式输出
print(bs.head.contents)
#用列表索引来获取它的某一个元素
print(bs.head.contents[1])

5.2、.children：获取Tag的所有子节点，返回一个生成器

for child in bs.body.children:
print(child)
5.3、.descendants：获取Tag的所有子孙节点

5.4、.strings：如果Tag包含多个字符串，即在子孙节点中有内容，可以用此获取，而后进行遍历

5.5、.stripped_strings：与strings用法一致，只不过可以去除掉那些多余的空白内容

5.6、.parent：获取Tag的父节点

5.7、.parents：递归得到父辈元素的所有节点，返回一个生成器

5.8、.previous_sibling：获取当前Tag的上一个节点，属性通常是字符串或空白，真实结果是当前标签与上一个标签之间的顿号和换行符

5.9、.next_sibling：获取当前Tag的下一个节点，属性通常是字符串或空白，真是结果是当前标签与下一个标签之间的顿号与换行符

5.10、.previous_siblings：获取当前Tag的上面所有的兄弟节点，返回一个生成器

5.11、.next_siblings：获取当前Tag的下面所有的兄弟节点，返回一个生成器

5.12、.previous_element：获取解析过程中上一个被解析的对象(字符串或tag)，可能与previous_sibling相同，但通常是不一样的

5.13、.next_element：获取解析过程中下一个被解析的对象(字符串或tag)，可能与next_sibling相同，但通常是不一样的

5.14、.previous_elements：返回一个生成器，可以向前访问文档的解析内容

5.15、.next_elements：返回一个生成器，可以向后访问文档的解析内容

5.16、.has_attr：判断Tag是否包含属性

六、搜索文档树
6.1、find_all(name, attrs, recursive, text, **kwargs)

在上面的栗子中我们简单介绍了find_all的使用，接下来介绍一下find_all的更多用法-过滤器。这些过滤器贯穿整个搜索API，过滤器可以被用在tag的name中，节点的属性等。

（1）name参数：

字符串过滤：会查找与字符串完全匹配的内容

a_list = bs.find_all(“a”)
print(a_list)
正则表达式过滤：如果传入的是正则表达式，那么BeautifulSoup4会通过search()来匹配内容

from bs4 import BeautifulSoup
import re
file = open(’./aa.html’, ‘rb’)
html = file.read()
bs = BeautifulSoup(html,“html.parser”)
t_list = bs.find_all(re.compile(“a”))
for item in t_list:
print(item)
列表：如果传入一个列表，BeautifulSoup4将会与列表中的任一元素匹配到的节点返回

t_list = bs.find_all([“meta”,“link”])
for item in t_list:
print(item)
方法：传入一个方法，根据方法来匹配

from bs4 import BeautifulSoup
file = open(’./aa.html’, ‘rb’)
html = file.read()
bs = BeautifulSoup(html,“html.parser”)
def name_is_exists(tag):
return tag.has_attr(“name”)
t_list = bs.find_all(name_is_exists)
for item in t_list:
print(item)

（2）kwargs参数：

from bs4 import BeautifulSoup
import re
file = open(’./aa.html’, ‘rb’)
html = file.read()
bs = BeautifulSoup(html,“html.parser”)
#查询id=head的Tag
t_list = bs.find_all(id=“head”) print(t_list)
#查询href属性包含ss1.bdstatic.com的Tag
t_list = bs.find_all(href=re.compile(“http://news.baidu.com”))
print(t_list)
#查询所有包含class的Tag(注意：class在Python中属于关键字，所以加_以示区别)
t_list = bs.find_all(class_=True)
for item in t_list:
print(item)

（3）attrs参数：

并不是所有的属性都可以使用上面这种方式进行搜索，比如HTML的data-*属性：

t_list = bs.find_all(data-foo=“value”)
如果执行这段代码，将会报错。我们可以使用attrs参数，定义一个字典来搜索包含特殊属性的tag：

t_list = bs.find_all(attrs={“data-foo”:“value”})
for item in t_list:
print(item)
（4）text参数：

通过text参数可以搜索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

from bs4 import BeautifulSoup
import re
file = open(’./aa.html’, ‘rb’)
html = file.read()
bs = BeautifulSoup(html, “html.parser”)
t_list = bs.find_all(attrs={“data-foo”: “value”})
for item in t_list:
print(item)
t_list = bs.find_all(text=“hao123”)
for item in t_list:
print(item)
t_list = bs.find_all(text=[“hao123”, “地图”, “贴吧”])
for item in t_list:
print(item)
t_list = bs.find_all(text=re.compile("\d"))
for item in t_list:
print(item)
当我们搜索text中的一些特殊属性时，同样也可以传入一个方法来达到我们的目的：

def length_is_two(text):
return text and len(text) == 2
t_list = bs.find_all(text=length_is_two)
for item in t_list:
print(item)
（5）limit参数：

可以传入一个limit参数来限制返回的数量，当搜索出的数据量为5，而设置了limit=2时，此时只会返回前2个数据

from bs4 import BeautifulSoup
import re
file = open(’./aa.html’, ‘rb’)
html = file.read()
bs = BeautifulSoup(html, “html.parser”)
t_list = bs.find_all(“a”,limit=2)
for item in t_list:
print(item)
find_all除了上面一些常规的写法，还可以对其进行一些简写：

#两者是相等的
#t_list = bs.find_all(“a”) => t_list = bs(“a”)
t_list = bs(“a”) # 两者是相等的
#t_list = bs.a.find_all(text=“新闻”) => t_list = bs.a(text=“新闻”)
t_list = bs.a(text=“新闻”)

6.2、find()

find()将返回符合条件的第一个Tag，有时我们只需要或一个Tag时，我们就可以用到find()方法了。当然了，也可以使用find_all()方法，传入一个limit=1，然后再取出第一个值也是可以的，不过未免繁琐。

from bs4 import BeautifulSoup
import re
file = open(’./aa.html’, ‘rb’)
html = file.read()
bs = BeautifulSoup(html, “html.parser”)
#返回只有一个结果的列表
t_list = bs.find_all(“title”,limit=1)
print(t_list)
#返回唯一值
t = bs.find(“title”)
print(t)
#如果没有找到，则返回None
t = bs.find(“abc”) print(t)
从结果可以看出find_all，尽管传入了limit=1，但是返回值仍然为一个列表，当我们只需要取一个值时，远不如find方法方便。但

是如果未搜索到值时，将返回一个None

在上面介绍BeautifulSoup4的时候，我们知道可以通过bs.div来获取第一个div标签，如果我们需要获取第一个div下的第一个div，

我们可以这样：

t = bs.div.div
#等价于
t = bs.find(“div”).find(“div”)

七、CSS选择器
BeautifulSoup支持发部分的CSS选择器，在Tag获取BeautifulSoup对象的.select()方法中传入字符串参数，即可使用CSS选择器的语法找到Tag:

7.1、通过标签名查找

print(bs.select(‘title’))
print(bs.select(‘a’))
7.2、通过类名查找

print(bs.select(’.mnav’))
7.3、通过id查找

print(bs.select(’#u1’))
7.4、组合查找

print(bs.select(‘div .bri’))
7.5、属性查找

print(bs.select(‘a[class=“bri”]’))
print(bs.select(‘a[href=“http://tieba.baidu.com”]’))
7.6、直接子标签查找

t_list = bs.select(“head > title”)
print(t_list)
7.7、兄弟节点标签查找

t_list = bs.select(".mnav ~ .bri")
print(t_list)
7.8、获取内容

t_list = bs.select(“title”)
print(bs.select(‘title’)[0].get_text())