本文轉(zhuǎn)載：靜覓 ? [Python3網(wǎng)絡(luò)爬蟲開發(fā)實(shí)戰(zhàn)] 4.2-使用Beautiful Soup
這一節(jié)中，我們就來介紹一個強(qiáng)大的解析工具Beautiful Soup，它借助網(wǎng)頁的結(jié)構(gòu)和屬性等特性來解析網(wǎng)頁。有了它，我們不用再去寫一些復(fù)雜的正則表達(dá)式，只需要簡單的幾條語句，就可以完成網(wǎng)頁中某個元素的提取。
廢話不多說，接下來就來感受一下Beautiful Soup的強(qiáng)大之處吧。
1. 簡介
簡單來說，Beautiful Soup就是Python的一個HTML或XML的解析庫，可以用它來方便地從網(wǎng)頁中提取數(shù)據(jù)。官方解釋如下：
Beautiful Soup提供一些簡單的、Python式的函數(shù)來處理導(dǎo)航、搜索、修改分析樹等功能。它是一個工具箱，通過解析文檔為用戶提供需要抓取的數(shù)據(jù)，因?yàn)楹唵?，所以不需要多少代碼就可以寫出一個完整的應(yīng)用程序。
Beautiful Soup自動將輸入文檔轉(zhuǎn)換為Unicode編碼，輸出文檔轉(zhuǎn)換為UTF-8編碼。你不需要考慮編碼方式，除非文檔沒有指定一個編碼方式，這時你僅僅需要說明一下原始編碼方式就可以了。
Beautiful Soup已成為和lxml、html6lib一樣出色的Python解釋器，為用戶靈活地提供不同的解析策略或強(qiáng)勁的速度。
所以說，利用它可以省去很多煩瑣的提取工作，提高了解析效率。
2. 準(zhǔn)備工作
在開始之前，請確保已經(jīng)正確安裝好了Beautiful Soup和lxml，如果沒有安裝，可以參考第1章的內(nèi)容。
3. 解析器
Beautiful Soup在解析時實(shí)際上依賴解析器，它除了支持Python標(biāo)準(zhǔn)庫中的HTML解析器外，還支持一些第三方解析器（比如lxml）。表4-3列出了Beautiful Soup支持的解析器。
通過以上對比可以看出，lxml解析器有解析HTML和XML的功能，而且速度快，容錯能力強(qiáng)，所以推薦使用它。
如果使用lxml，那么在初始化Beautiful Soup時，可以把第二個參數(shù)改為lxml即可：
from bs4 import BeautifulSoup
soup = BeautifulSoup('<p>Hello</p>', 'lxml')
print(soup.p.string)
在后面，Beautiful Soup的用法實(shí)例也統(tǒng)一用這個解析器來演示。
4. 基本用法
下面首先用實(shí)例來看看Beautiful Soup的基本用法：
html = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a class="sister" id="link1"><!-- Elsie --></a>,
<a class="sister" id="link2">Lacie</a> and
<a class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.prettify())
print(soup.title.string)
運(yùn)行結(jié)果如下：
<html>
<head>
<title>
The Dormouse's story
</title>
</head>
<body>
<p class="title" name="dromouse">
<b>
The Dormouse's story
</b>
</p>
<p class="story">
Once upon a time there were three little sisters; and their names were
<a class="sister" id="link1">
<!-- Elsie -->
</a>
,
<a class="sister" id="link2">
Lacie
</a>
and
<a class="sister" id="link3">
Tillie
</a>
;
and they lived at the bottom of a well.
</p>
<p class="story">
...
</p>
</body>
</html>
The Dormouse's story
這里首先聲明變量html，它是一個HTML字符串。但是需要注意的是，它并不是一個完整的HTML字符串，因?yàn)?code>body和html節(jié)點(diǎn)都沒有閉合。接著，我們將它當(dāng)作第一個參數(shù)傳給BeautifulSoup對象，該對象的第二個參數(shù)為解析器的類型（這里使用lxml），此時就完成了BeaufulSoup對象的初始化。然后，將這個對象賦值給soup變量。
接下來，就可以調(diào)用soup的各個方法和屬性解析這串HTML代碼了。
首先，調(diào)用prettify()方法。這個方法可以把要解析的字符串以標(biāo)準(zhǔn)的縮進(jìn)格式輸出。這里需要注意的是，輸出結(jié)果里面包含body和html節(jié)點(diǎn)，也就是說對于不標(biāo)準(zhǔn)的HTML字符串BeautifulSoup，可以自動更正格式。這一步不是由prettify()方法做的，而是在初始化BeautifulSoup時就完成了。
然后調(diào)用soup.title.string，這實(shí)際上是輸出HTML中title節(jié)點(diǎn)的文本內(nèi)容。所以，soup.title可以選出HTML中的title節(jié)點(diǎn)，再調(diào)用string屬性就可以得到里面的文本了，所以我們可以通過簡單調(diào)用幾個屬性完成文本提取，這是不是非常方便？
5. 節(jié)點(diǎn)選擇器
直接調(diào)用節(jié)點(diǎn)的名稱就可以選擇節(jié)點(diǎn)元素，再調(diào)用string屬性就可以得到節(jié)點(diǎn)內(nèi)的文本了，這種選擇方式速度非?？臁Ｈ绻麊蝹€節(jié)點(diǎn)結(jié)構(gòu)層次非常清晰，可以選用這種方式來解析。
選擇元素
下面再用一個例子詳細(xì)說明選擇元素的方法：
html = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a class="sister" id="link1"><!-- Elsie --></a>,
<a class="sister" id="link2">Lacie</a> and
<a class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.title)
print(type(soup.title))
print(soup.title.string)
print(soup.head)
print(soup.p)
運(yùn)行結(jié)果如下：
<title>The Dormouse's story</title>
<class 'bs4.element.Tag'>
The Dormouse's story
<head><title>The Dormouse's story</title></head>
<p class="title" name="dromouse"><b>The Dormouse's story</b></p>
這里依然選用剛才的HTML代碼，首先打印輸出title節(jié)點(diǎn)的選擇結(jié)果，輸出結(jié)果正是title節(jié)點(diǎn)加里面的文字內(nèi)容。接下來，輸出它的類型，是bs4.element.Tag類型，這是Beautiful Soup中一個重要的數(shù)據(jù)結(jié)構(gòu)。經(jīng)過選擇器選擇后，選擇結(jié)果都是這種Tag類型。Tag具有一些屬性，比如string屬性，調(diào)用該屬性，可以得到節(jié)點(diǎn)的文本內(nèi)容，所以接下來的輸出結(jié)果正是節(jié)點(diǎn)的文本內(nèi)容。
接下來，我們又嘗試選擇了head節(jié)點(diǎn)，結(jié)果也是節(jié)點(diǎn)加其內(nèi)部的所有內(nèi)容。最后，選擇了p節(jié)點(diǎn)。不過這次情況比較特殊，我們發(fā)現(xiàn)結(jié)果是第一個p節(jié)點(diǎn)的內(nèi)容，后面的幾個p節(jié)點(diǎn)并沒有選到。也就是說，當(dāng)有多個節(jié)點(diǎn)時，這種選擇方式只會選擇到第一個匹配的節(jié)點(diǎn)，其他的后面節(jié)點(diǎn)都會忽略。
提取信息
上面演示了調(diào)用string屬性來獲取文本的值，那么如何獲取節(jié)點(diǎn)屬性的值呢？如何獲取節(jié)點(diǎn)名呢？下面我們來統(tǒng)一梳理一下信息的提取方式。
(1)獲取名稱
可以利用name屬性獲取節(jié)點(diǎn)的名稱。這里還是以上面的文本為例，選取title節(jié)點(diǎn)，然后調(diào)用name屬性就可以得到節(jié)點(diǎn)名稱：
print(soup.title.name)
運(yùn)行結(jié)果如下：
title
(2)獲取屬性
每個節(jié)點(diǎn)可能有多個屬性，比如id和class等，選擇這個節(jié)點(diǎn)元素后，可以調(diào)用attrs獲取所有屬性：
print(soup.p.attrs)
print(soup.p.attrs['name'])
運(yùn)行結(jié)果如下：
{'class': ['title'], 'name': 'dromouse'}
dromouse
可以看到，attrs的返回結(jié)果是字典形式，它把選擇的節(jié)點(diǎn)的所有屬性和屬性值組合成一個字典。接下來，如果要獲取name屬性，就相當(dāng)于從字典中獲取某個鍵值，只需要用中括號加屬性名就可以了。比如，要獲取name屬性，就可以通過attrs['name']來得到。
其實(shí)這樣有點(diǎn)煩瑣，還有一種更簡單的獲取方式：可以不用寫attrs，直接在節(jié)點(diǎn)元素后面加中括號，傳入屬性名就可以獲取屬性值了。樣例如下：
print(soup.p['name'])
print(soup.p['class'])
運(yùn)行結(jié)果如下：
dromouse
['title']
這里需要注意的是，有的返回結(jié)果是字符串，有的返回結(jié)果是字符串組成的列表。比如，name屬性的值是唯一的，返回的結(jié)果就是單個字符串。而對于class，一個節(jié)點(diǎn)元素可能有多個class，所以返回的是列表。在實(shí)際處理過程中，我們要注意判斷類型。
(3)獲取內(nèi)容
可以利用string屬性獲取節(jié)點(diǎn)元素包含的文本內(nèi)容，比如要獲取第一個p節(jié)點(diǎn)的文本：
print(soup.p.string)
運(yùn)行結(jié)果如下：
The Dormouse's story
再次注意一下，這里選擇到的p節(jié)點(diǎn)是第一個p節(jié)點(diǎn)，獲取的文本也是第一個p節(jié)點(diǎn)里面的文本。
嵌套選擇
在上面的例子中，我們知道每一個返回結(jié)果都是bs4.element.Tag類型，它同樣可以繼續(xù)調(diào)用節(jié)點(diǎn)進(jìn)行下一步的選擇。比如，我們獲取了head節(jié)點(diǎn)元素，我們可以繼續(xù)調(diào)用head來選取其內(nèi)部的head節(jié)點(diǎn)元素：
html = """
<html><head><title>The Dormouse's story</title></head>
<body>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.head.title)
print(type(soup.head.title))
print(soup.head.title.string)
運(yùn)行結(jié)果如下：
<title>The Dormouse's story</title>
<class 'bs4.element.Tag'>
The Dormouse's story
第一行結(jié)果是調(diào)用head之后再次調(diào)用title而選擇的title節(jié)點(diǎn)元素。然后打印輸出了它的類型，可以看到，它仍然是bs4.element.Tag類型。也就是說，我們在Tag類型的基礎(chǔ)上再次選擇得到的依然還是Tag類型，每次返回的結(jié)果都相同，所以這樣就可以做嵌套選擇了。
最后，輸出它的string屬性，也就是節(jié)點(diǎn)里的文本內(nèi)容。
關(guān)聯(lián)選擇
在做選擇的時候，有時候不能做到一步就選到想要的節(jié)點(diǎn)元素，需要先選中某一個節(jié)點(diǎn)元素，然后以它為基準(zhǔn)再選擇它的子節(jié)點(diǎn)、父節(jié)點(diǎn)、兄弟節(jié)點(diǎn)等，這里就來介紹如何選擇這些節(jié)點(diǎn)元素。
(1)子節(jié)點(diǎn)和子孫節(jié)點(diǎn)
選取節(jié)點(diǎn)元素之后，如果想要獲取它的直接子節(jié)點(diǎn)，可以調(diào)用contents屬性，示例如下：
html = """
<html>
<head>
<title>The Dormouse's story</title>
</head>
<body>
<p class="story">
Once upon a time there were three little sisters; and their names were
<a class="sister" id="link1">
<span>Elsie</span>
</a>
<a class="sister" id="link2">Lacie</a>
and
<a class="sister" id="link3">Tillie</a>
and they lived at the bottom of a well.
</p>
<p class="story">...</p>
"""
運(yùn)行結(jié)果如下：
['\n Once upon a time there were three little sisters; and their names were\n ', <a class="sister" id="link1">
<span>Elsie</span>
</a>, '\n', <a class="sister" id="link2">Lacie</a>, ' \n and\n ', <a class="sister" id="link3">Tillie</a>, '\n and they lived at the bottom of a well.\n ']
可以看到，返回結(jié)果是列表形式。p節(jié)點(diǎn)里既包含文本，又包含節(jié)點(diǎn)，最后會將它們以列表形式統(tǒng)一返回。
需要注意的是，列表中的每個元素都是p節(jié)點(diǎn)的直接子節(jié)點(diǎn)。比如第一個a節(jié)點(diǎn)里面包含一層span節(jié)點(diǎn)，這相當(dāng)于孫子節(jié)點(diǎn)了，但是返回結(jié)果并沒有單獨(dú)把span節(jié)點(diǎn)選出來。所以說，contents屬性得到的結(jié)果是直接子節(jié)點(diǎn)的列表。
同樣，我們可以調(diào)用children屬性得到相應(yīng)的結(jié)果：
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.p.children)
for i, child in enumerate(soup.p.children):
print(i, child)
運(yùn)行結(jié)果如下：
<list_iterator object at 0x1064f7dd8>
0
Once upon a time there were three little sisters; and their names were
1 <a class="sister" id="link1">
<span>Elsie</span>
</a>
2
3 <a class="sister" id="link2">Lacie</a>
4
and
5 <a class="sister" id="link3">Tillie</a>
6
and they lived at the bottom of a well.
還是同樣的HTML文本，這里調(diào)用了children屬性來選擇，返回結(jié)果是生成器類型。接下來，我們用for循環(huán)輸出相應(yīng)的內(nèi)容。
如果要得到所有的子孫節(jié)點(diǎn)的話，可以調(diào)用descendants屬性：
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.p.descendants)
for i, child in enumerate(soup.p.descendants):
print(i, child)
運(yùn)行結(jié)果如下：
<generator object descendants at 0x10650e678>
0
Once upon a time there were three little sisters; and their names were
1 <a class="sister" id="link1">
<span>Elsie</span>
</a>
2
3 <span>Elsie</span>
4 Elsie
5
6
7 <a class="sister" id="link2">Lacie</a>
8 Lacie
9
and
10 <a class="sister" id="link3">Tillie</a>
11 Tillie
12
and they lived at the bottom of a well.
此時返回結(jié)果還是生成器。遍歷輸出一下可以看到，這次的輸出結(jié)果就包含了span節(jié)點(diǎn)。descendants會遞歸查詢所有子節(jié)點(diǎn)，得到所有的子孫節(jié)點(diǎn)。
(2)父節(jié)點(diǎn)和祖先節(jié)點(diǎn)
如果要獲取某個節(jié)點(diǎn)元素的父節(jié)點(diǎn)，可以調(diào)用parent屬性：
html = """
<html>
<head>
<title>The Dormouse's story</title>
</head>
<body>
<p class="story">
Once upon a time there were three little sisters; and their names were
<a class="sister" id="link1">
<span>Elsie</span>
</a>
</p>
<p class="story">...</p>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.a.parent)
運(yùn)行結(jié)果如下：
<p class="story">
Once upon a time there were three little sisters; and their names were
<a class="sister" id="link1">
<span>Elsie</span>
</a>
</p>
這里我們選擇的是第一個a節(jié)點(diǎn)的父節(jié)點(diǎn)元素。很明顯，它的父節(jié)點(diǎn)是p節(jié)點(diǎn)，輸出結(jié)果便是p節(jié)點(diǎn)及其內(nèi)部的內(nèi)容。
需要注意的是，這里輸出的僅僅是a節(jié)點(diǎn)的直接父節(jié)點(diǎn)，而沒有再向外尋找父節(jié)點(diǎn)的祖先節(jié)點(diǎn)。如果想獲取所有的祖先節(jié)點(diǎn)，可以調(diào)用parents屬性：
html = """
<html>
<body>
<p class="story">
<a class="sister" id="link1">
<span>Elsie</span>
</a>
</p>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(type(soup.a.parents))
print(list(enumerate(soup.a.parents)))
運(yùn)行結(jié)果如下：
<class 'generator'>
[(0, <p class="story">
<a class="sister" id="link1">
<span>Elsie</span>
</a>
</p>), (1, <body>
<p class="story">
<a class="sister" id="link1">
<span>Elsie</span>
</a>
</p>
</body>), (2, <html>
<body>
<p class="story">
<a class="sister" id="link1">
<span>Elsie</span>
</a>
</p>
</body></html>), (3, <html>
<body>
<p class="story">
<a class="sister" id="link1">
<span>Elsie</span>
</a>
</p>
</body></html>)]
可以發(fā)現(xiàn)，返回結(jié)果是生成器類型。這里用列表輸出了它的索引和內(nèi)容，而列表中的元素就是a節(jié)點(diǎn)的祖先節(jié)點(diǎn)。
(3)兄弟節(jié)點(diǎn)
上面說明了子節(jié)點(diǎn)和父節(jié)點(diǎn)的獲取方式，如果要獲取同級的節(jié)點(diǎn)（也就是兄弟節(jié)點(diǎn)），應(yīng)該怎么辦呢？示例如下：
html = """
<html>
<body>
<p class="story">
Once upon a time there were three little sisters; and their names were
<a class="sister" id="link1">
<span>Elsie</span>
</a>
Hello
<a class="sister" id="link2">Lacie</a>
and
<a class="sister" id="link3">Tillie</a>
and they lived at the bottom of a well.
</p>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print('Next Sibling', soup.a.next_sibling)
print('Prev Sibling', soup.a.previous_sibling)
print('Next Siblings', list(enumerate(soup.a.next_siblings)))
print('Prev Siblings', list(enumerate(soup.a.previous_siblings)))
運(yùn)行結(jié)果如下：
Next Sibling
Hello
Prev Sibling
Once upon a time there were three little sisters; and their names were
Next Siblings [(0, '\n Hello\n '), (1, <a class="sister" id="link2">Lacie</a>), (2, ' \n and\n '), (3, <a class="sister" id="link3">Tillie</a>), (4, '\n and they lived at the bottom of a well.\n ')]
Prev Siblings [(0, '\n Once upon a time there were three little sisters; and their names were\n ')]
可以看到，這里調(diào)用了4個屬性，其中next_sibling和previous_sibling分別獲取節(jié)點(diǎn)的下一個和上一個兄弟元素，next_siblings和previous_siblings則分別返回所有前面和后面的兄弟節(jié)點(diǎn)的生成器。
(4)提取信息
前面講解了關(guān)聯(lián)元素節(jié)點(diǎn)的選擇方法，如果想要獲取它們的一些信息，比如文本、屬性等，也用同樣的方法，示例如下：
html = """
<html>
<body>
<p class="story">
Once upon a time there were three little sisters; and their names were
<a class="sister" id="link1">Bob</a><a class="sister" id="link2">Lacie</a>
</p>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print('Next Sibling:')
print(type(soup.a.next_sibling))
print(soup.a.next_sibling)
print(soup.a.next_sibling.string)
print('Parent:')
print(type(soup.a.parents))
print(list(soup.a.parents)[0])
print(list(soup.a.parents)[0].attrs['class'])
運(yùn)行結(jié)果如下：
Next Sibling:
<class 'bs4.element.Tag'>
<a class="sister" id="link2">Lacie</a>
Lacie
Parent:
<class 'generator'>
<p class="story">
Once upon a time there were three little sisters; and their names were
<a class="sister" id="link1">Bob</a><a class="sister" id="link2">Lacie</a>
</p>
['story']
如果返回結(jié)果是單個節(jié)點(diǎn)，那么可以直接調(diào)用string、attrs等屬性獲得其文本和屬性；如果返回結(jié)果是多個節(jié)點(diǎn)的生成器，則可以轉(zhuǎn)為列表后取出某個元素，然后再調(diào)用string、attrs等屬性獲取其對應(yīng)節(jié)點(diǎn)的文本和屬性。
6. 方法選擇器
前面所講的選擇方法都是通過屬性來選擇的，這種方法非?？?，但是如果進(jìn)行比較復(fù)雜的選擇的話，它就比較煩瑣，不夠靈活了。幸好，Beautiful Soup還為我們提供了一些查詢方法，比如find_all()和find()等，調(diào)用它們，然后傳入相應(yīng)的參數(shù)，就可以靈活查詢了。
find_all()
find_all，顧名思義，就是查詢所有符合條件的元素。給它傳入一些屬性或文本，就可以得到符合條件的元素，它的功能十分強(qiáng)大。
它的API如下：
find_all(name , attrs , recursive , text , **kwargs)
(1)name
我們可以根據(jù)節(jié)點(diǎn)名來查詢元素，示例如下：
html='''
<div class="panel">
<div class="panel-heading">
<h4>Hello</h4>
</div>
<div class="panel-body">
<ul class="list" id="list-1">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>
<ul class="list list-small" id="list-2">
<li class="element">Foo</li>
<li class="element">Bar</li>
</ul>
</div>
</div>
'''
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.find_all(name='ul'))
print(type(soup.find_all(name='ul')[0]))
運(yùn)行結(jié)果如下：
[<ul class="list" id="list-1">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>, <ul class="list list-small" id="list-2">
<li class="element">Foo</li>
<li class="element">Bar</li>
</ul>]
<class 'bs4.element.Tag'>
這里我們調(diào)用了find_all()方法，傳入name參數(shù)，其參數(shù)值為ul。也就是說，我們想要查詢所有ul節(jié)點(diǎn)，返回結(jié)果是列表類型，長度為2，每個元素依然都是bs4.element.Tag類型。
因?yàn)槎际?code>Tag類型，所以依然可以進(jìn)行嵌套查詢。還是同樣的文本，這里查詢出所有ul節(jié)點(diǎn)后，再繼續(xù)查詢其內(nèi)部的li節(jié)點(diǎn)：
for ul in soup.find_all(name='ul'):
print(ul.find_all(name='li'))
運(yùn)行結(jié)果如下：
[<li class="element">Foo</li>, <li class="element">Bar</li>, <li class="element">Jay</li>]
[<li class="element">Foo</li>, <li class="element">Bar</li>]
返回結(jié)果是列表類型，列表中的每個元素依然還是Tag類型。
接下來，就可以遍歷每個li，獲取它的文本了：
for ul in soup.find_all(name='ul'):
print(ul.find_all(name='li'))
for li in ul.find_all(name='li'):
print(li.string)
運(yùn)行結(jié)果如下：
[<li class="element">Foo</li>, <li class="element">Bar</li>, <li class="element">Jay</li>]
Foo
Bar
Jay
[<li class="element">Foo</li>, <li class="element">Bar</li>]
Foo
Bar
(2)attrs
除了根據(jù)節(jié)點(diǎn)名查詢，我們也可以傳入一些屬性來查詢，示例如下：
html='''
<div class="panel">
<div class="panel-heading">
<h4>Hello</h4>
</div>
<div class="panel-body">
<ul class="list" id="list-1" name="elements">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>
<ul class="list list-small" id="list-2">
<li class="element">Foo</li>
<li class="element">Bar</li>
</ul>
</div>
</div>
'''
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.find_all(attrs={'id': 'list-1'}))
print(soup.find_all(attrs={'name': 'elements'}))
運(yùn)行結(jié)果如下：
[<ul class="list" id="list-1" name="elements">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>]
[<ul class="list" id="list-1" name="elements">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>]
這里查詢的時候傳入的是attrs參數(shù)，參數(shù)的類型是字典類型。比如，要查詢id為list-1的節(jié)點(diǎn)，可以傳入attrs={'id': 'list-1'}的查詢條件，得到的結(jié)果是列表形式，包含的內(nèi)容就是符合id為list-1的所有節(jié)點(diǎn)。在上面的例子中，符合條件的元素個數(shù)是1，所以結(jié)果是長度為1的列表。
對于一些常用的屬性，比如id和class等，我們可以不用attrs來傳遞。比如，要查詢id為list-1的節(jié)點(diǎn)，可以直接傳入id這個參數(shù)。還是上面的文本，我們換一種方式來查詢：
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.find_all(id='list-1'))
print(soup.find_all(class_='element'))
運(yùn)行結(jié)果如下：
[<ul class="list" id="list-1">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>]
[<li class="element">Foo</li>, <li class="element">Bar</li>, <li class="element">Jay</li>, <li class="element">Foo</li>, <li class="element">Bar</li>]
這里直接傳入id='list-1'，就可以查詢id為list-1的節(jié)點(diǎn)元素了。而對于class來說，由于class在Python里是一個關(guān)鍵字，所以后面需要加一個下劃線，即class_='element'，返回的結(jié)果依然還是Tag組成的列表。
(3)text
text參數(shù)可用來匹配節(jié)點(diǎn)的文本，傳入的形式可以是字符串，可以是正則表達(dá)式對象，示例如下：
import re
html='''
<div class="panel">
<div class="panel-body">
<a>Hello, this is a link</a>
<a>Hello, this is a link, too</a>
</div>
</div>
'''
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.find_all(text=re.compile('link')))
運(yùn)行結(jié)果如下：
['Hello, this is a link', 'Hello, this is a link, too']
這里有兩個a節(jié)點(diǎn)，其內(nèi)部包含文本信息。這里在find_all()方法中傳入text參數(shù)，該參數(shù)為正則表達(dá)式對象，結(jié)果返回所有匹配正則表達(dá)式的節(jié)點(diǎn)文本組成的列表。
find()
除了find_all()方法，還有find()方法，只不過后者返回的是單個元素，也就是第一個匹配的元素，而前者返回的是所有匹配的元素組成的列表。示例如下：
html='''
<div class="panel">
<div class="panel-heading">
<h4>Hello</h4>
</div>
<div class="panel-body">
<ul class="list" id="list-1">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>
<ul class="list list-small" id="list-2">
<li class="element">Foo</li>
<li class="element">Bar</li>
</ul>
</div>
</div>
'''
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.find(name='ul'))
print(type(soup.find(name='ul')))
print(soup.find(class_='list'))
運(yùn)行結(jié)果如下：
<ul class="list" id="list-1">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>
<class 'bs4.element.Tag'>
<ul class="list" id="list-1">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>
這里的返回結(jié)果不再是列表形式，而是第一個匹配的節(jié)點(diǎn)元素，類型依然是Tag類型。
另外，還有許多查詢方法，其用法與前面介紹的find_all()、find()方法完全相同，只不過查詢范圍不同，這里簡單說明一下。
-
find_parents()和find_parent()：前者返回所有祖先節(jié)點(diǎn)，后者返回直接父節(jié)點(diǎn)。 -
find_next_siblings()和find_next_sibling()：前者返回后面所有的兄弟節(jié)點(diǎn)，后者返回后面第一個兄弟節(jié)點(diǎn)。 -
find_previous_siblings()和find_previous_sibling()：前者返回前面所有的兄弟節(jié)點(diǎn)，后者返回前面第一個兄弟節(jié)點(diǎn)。 -
find_all_next()和find_next()：前者返回節(jié)點(diǎn)后所有符合條件的節(jié)點(diǎn)，后者返回第一個符合條件的節(jié)點(diǎn)。 -
find_all_previous()和find_previous()：前者返回節(jié)點(diǎn)后所有符合條件的節(jié)點(diǎn)，后者返回第一個符合條件的節(jié)點(diǎn)。
7. CSS選擇器
Beautiful Soup還提供了另外一種選擇器，那就是CSS選擇器。如果對Web開發(fā)熟悉的話，那么對CSS選擇器肯定也不陌生。如果不熟悉的話，可以參考http://www.w3school.com.cn/cssref/css_selectors.asp了解。
使用CSS選擇器時，只需要調(diào)用select()方法，傳入相應(yīng)的CSS選擇器即可，示例如下：
html='''
<div class="panel">
<div class="panel-heading">
<h4>Hello</h4>
</div>
<div class="panel-body">
<ul class="list" id="list-1">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>
<ul class="list list-small" id="list-2">
<li class="element">Foo</li>
<li class="element">Bar</li>
</ul>
</div>
</div>
'''
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.select('.panel .panel-heading'))
print(soup.select('ul li'))
print(soup.select('#list-2 .element'))
print(type(soup.select('ul')[0]))
運(yùn)行結(jié)果如下：
[<div class="panel-heading">
<h4>Hello</h4>
</div>]
[<li class="element">Foo</li>, <li class="element">Bar</li>, <li class="element">Jay</li>, <li class="element">Foo</li>, <li class="element">Bar</li>]
[<li class="element">Foo</li>, <li class="element">Bar</li>]
<class 'bs4.element.Tag'>
這里我們用了3次CSS選擇器，返回的結(jié)果均是符合CSS選擇器的節(jié)點(diǎn)組成的列表。例如，select('ul li')則是選擇所有ul節(jié)點(diǎn)下面的所有li節(jié)點(diǎn)，結(jié)果便是所有的li節(jié)點(diǎn)組成的列表。
最后一句打印輸出了列表中元素的類型?？梢钥吹?，類型依然是Tag類型。
嵌套選擇
select()方法同樣支持嵌套選擇。例如，先選擇所有ul節(jié)點(diǎn)，再遍歷每個ul節(jié)點(diǎn)，選擇其li節(jié)點(diǎn)，樣例如下：
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
for ul in soup.select('ul'):
print(ul.select('li'))
運(yùn)行結(jié)果如下：
[<li class="element">Foo</li>, <li class="element">Bar</li>, <li class="element">Jay</li>]
[<li class="element">Foo</li>, <li class="element">Bar</li>]
可以看到，這里正常輸出了所有ul節(jié)點(diǎn)下所有li節(jié)點(diǎn)組成的列表。
獲取屬性
我們知道節(jié)點(diǎn)類型是Tag類型，所以獲取屬性還可以用原來的方法。仍然是上面的HTML文本，這里嘗試獲取每個ul節(jié)點(diǎn)的id屬性：
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
for ul in soup.select('ul'):
print(ul['id'])
print(ul.attrs['id'])
運(yùn)行結(jié)果如下：
list-1
list-1
list-2
list-2
可以看到，直接傳入中括號和屬性名，以及通過attrs屬性獲取屬性值，都可以成功。
獲取文本
要獲取文本，當(dāng)然也可以用前面所講的string屬性。此外，還有一個方法，那就是get_text()，示例如下：
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
for li in soup.select('li'):
print('Get Text:', li.get_text())
print('String:', li.string)
運(yùn)行結(jié)果如下：
Get Text: Foo
String: Foo
Get Text: Bar
String: Bar
Get Text: Jay
String: Jay
Get Text: Foo
String: Foo
Get Text: Bar
String: Bar
可以看到，二者的效果完全一致。
到此，Beautiful Soup的用法基本就介紹完了，最后做一下簡單的總結(jié)。
- 推薦使用lxml解析庫，必要時使用html.parser。
- 節(jié)點(diǎn)選擇篩選功能弱但是速度快。
- 建議使用
find()或者find_all()查詢匹配單個結(jié)果或者多個結(jié)果。 - 如果對CSS選擇器熟悉的話，可以使用
select()方法選擇。
