Python 之 Beautiful Soup 4文档.docx

　　这里我们重点讲一下find的几种用法，其他的类比：

　　find（name=None,attrs={},recursive=True,text=None,**kwargs）

（ps:

只讲几种用法，完整请看官方link:

　　1）搜索tag：

1find（tagname）#直接搜索名为tagname的tag如：

find（'head'）

2find（list）#搜索在list中的tag，如:

find（['head','body']）

3find（dict）#搜索在dict中的tag，如:

find（{'head':

True,'body':

True}）

4find（pile（''））#搜索符合正则的tag,如:

find（pile（'^p'））搜索以p开头的tag

5find（lambda）#搜索函数返回结果为true的tag,如:

find（lambdaname:

iflen（name）==1）搜索长度为1的tag

6find（True）#搜索所有tag

 　　2）搜索属性（attrs）：

1find（id='xxx'）#寻找id属性为xxx的

2find（attrs={id=pile（'xxx'）,algin='xxx'}）#寻找id属性符合正则且algin属性为xxx的

3find（attrs={id=True,algin=None}）#寻找有id属性但是没有algin属性的

　　3）搜索文字（text）:

注意，文字的搜索会导致其他搜索给的值如：

tag,attrs都失效。

方法与搜索tag一致

　　4）recursive,limit:

　　recursive=False表示只搜索直接儿子，否则搜索整个子树，默认为True。

　　当使用findAll或者类似返回list的方法时，limit属性用于限制返回的数量，如findAll（'p',limit=2）：

返回首先找到的两个tag 

*4、用next，previous寻找上下文tag（少用） 

　　这里我们主要看看next,next是取得当前的tag的下一个（按代码从上到下的顺序）tag块。

这与contents是不一样的，千万别混淆了哦^^

　　我们举个栗子来看看

1

2a

3b

4c

5

 我们看看next的实际效果：

1a=soup.a

2b=soup.b

3n1=b.next

4n2=n1.next

 输出一下：

1printa.next

2#u'a'

3printn1

4#u'b'

5printn2

6#c

所以，next仅仅是获取文档上的“下一个”的tag，和剖析树中的位置无关。

当然也有findNext和findAllNext方法。

至于previous，表示上一个tag块，就类比一下吧~^^

*****************完整版******************

BeautifulSoup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.BeautifulSoup会帮你节省数小时甚至数天的工作时间.

这篇文档介绍了BeautifulSoup4中所有主要特性,并切有小例子.让我来向你展示它适合做什么,如何工作,怎样使用,如何达到你想要的效果,和处理异常情况.

文档中出现的例子在Python2.7和Python3.2中的执行结果相同

你可能在寻找 BeautifulSoup3 的文档,BeautifulSoup3目前已经停止开发,我们推荐在现在的项目中使用BeautifulSoup4, 移植到BS4

寻求帮助

如果你有关于BeautifulSoup的问题,可以发送邮件到 讨论组 .如果你的问题包含了一段需要转换的HTML代码,那么确保你提的问题描述中附带这段HTML文档的 代码诊断 [1]

快速开始

下面的一段HTML代码将作为例子被多次用到.这是 爱丽丝梦游仙境的 的一段内容（以后内容中简称为 爱丽丝 的文档）:

html_doc="""

TheDormouse'sstory

Onceuponatimetherewerethreelittlesisters;andtheirnameswere

Elsie,

Lacieand

Tillie;

andtheylivedatthebottomofawell.

...

"""

使用BeautifulSoup解析这段代码,能够得到一个 BeautifulSoup 的对象,并能按照标准的缩进格式的结构输出:

frombs4importBeautifulSoup

soup=BeautifulSoup（html_doc）

print（soup.prettify（））

#

#

#

#

#

#

#

#TheDormouse'sstory

#

#

#

#Onceuponatimetherewerethreelittlesisters;andtheirnameswere

#

#Elsie

#

#,

#

#Lacie

#

#and

#

#Tillie

#

#;andtheylivedatthebottomofawell.

#

#

#...

#

#

#

几个简单的浏览结构化数据的方法:

soup.title

#

soup.title.name

#u'title'

soup.title.string

#u'TheDormouse'sstory'

soup.title.parent.name

#u'head'

soup.p

#TheDormouse'sstory

soup.p['class']

#u'title'

soup.a

#Elsie

soup.find_all（'a'）

#[Elsie,

#Lacie,

#Tillie]

soup.find（id="link3"）

#Tillie

从文档中找到所有标签的链接:

forlinkinsoup.find_all（'a'）:

print（link.get（'href'））

#

#

#

从文档中获取所有文字内容:

print（soup.get_text（））

#TheDormouse'sstory

#

#TheDormouse'sstory

#

#Onceuponatimetherewerethreelittlesisters;andtheirnameswere

#Elsie,

#Lacieand

#Tillie;

#andtheylivedatthebottomofawell.

#

#...

这是你想要的吗?

别着急,还有更好用的

安装BeautifulSoup

如果你用的是新版的Debain或ubuntu,那么可以通过系统的软件包管理来安装:

$ apt-get install Python-bs4

BeautifulSoup4通过PyPi发布,所以如果你无法使用系统包管理安装,那么也可以通过 easy_install 或 pip 来安装.包的名字是 beautifulsoup4 ,这个包兼容Python2和Python3.

$ easy_install beautifulsoup4

$ pip install beautifulsoup4

（在PyPi中还有一个名字是 BeautifulSoup 的包,但那可能不是你想要的,那是 BeautifulSoup3 的发布版本,因为很多项目还在使用BS3,所以 BeautifulSoup 包依然有效.但是如果你在编写新项目,那么你应该安装的 beautifulsoup4 ）

如果你没有安装 easy_install 或 pip ,那你也可以 下载BS4的源码 ,然后通过setup.py来安装.

$ Python setup.py install

如果上述安装方法都行不通,BeautifulSoup的发布协议允许你将BS4的代码打包在你的项目中,这样无须安装即可使用.

作者在Python2.7和Python3.2的版本下开发BeautifulSoup,理论上BeautifulSoup应该在所有当前的Python版本中正常工作

安装完成后的问题

BeautifulSoup发布时打包成Python2版本的代码,在Python3环境下安装时,会自动转换成Python3的代码,如果没有一个安装的过程,那么代码就不会被转换.

如果代码抛出了 ImportError 的异常:

“NomodulenamedHTMLParser”,这是因为你在Python3版本中执行Python2版本的代码.

如果代码抛出了 ImportError 的异常:

“Nomodulenamedhtml.parser”,这是因为你在Python2版本中执行Python3版本的代码.

如果遇到上述2种情况,最好的解决方法是重新安装BeautifulSoup4.

如果在ROOT_TAG_NAME=u’[document]’代码处遇到 SyntaxError “Invalidsyntax”错误,需要将把BS4的Python代码版本从Python2转换到Python3.可以重新安装BS4:

$ Python3 setup.py install

或在bs4的目录中执行Python代码版本转换脚本

$ 2to3-3.2 -w bs4

安装解析器

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,其中一个是 lxml .根据操作系统不同,可以选择下列方法来安装lxml:

$ apt-get install Python-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:

$ apt-get install Python-html5lib

$ easy_install html5lib

$ pip install html5lib

下表列出了主要的解析器,以及它们的优缺点:

解析器

使用方法

优势

劣势

Python标准库

BeautifulSoup（markup, "html.parser"）

∙Python的内置标准库

∙执行速度适中

∙文档容错能力强

∙Python2.7.3or3.2.2）前的版本中文档容错能力差

lxmlHTML解析器

BeautifulSoup（markup, "lxml"）

∙速度快

∙文档容错能力强

∙需要安装C语言库

lxmlXML解析器

BeautifulSoup（markup, ["lxml", "xml"]）

BeautifulSoup（markup, "xml"）

∙速度快

∙唯一支持XML的解析器

∙需要安装C语言库

html5lib

BeautifulSoup（markup, "html5lib"）

∙最好的容错性

∙以浏览器的方式解析文档

∙生成HTML5格式的文档

∙速度慢

∙不依赖外部扩展

推荐使用lxml作为解析器,因为效率更高.在Python2.7.3之前的版本和Python3中3.2.2之前的版本,必须安装lxml或html5lib,因为那些Python版本的标准库中内置的HTML解析方法不够稳定.

提示:

如果一段HTML或XML文档格式不正确的话,那么在不同的解析器中返回的结果可能是不一样的,查看 解析器之间的区别 了解更多细节

如何使用

将一段文档传入BeautifulSoup的构造方法,就能得到一个文档的对象,可以传入一段字符串或一个文件句柄.

frombs4importBeautifulSoup

soup=BeautifulSoup（open（"index.html"））

soup=BeautifulSoup（"data"）

首先,文档被转换成Unicode,并且HTML的实例都被转换成Unicode编码

BeautifulSoup（"Sacrébleu!

"）

Sacrébleu!

然后,BeautifulSoup选择最合适的解析器来解析这段文档,如果手动指定解析器那么BeautifulSoup会选择指定的解析器来解析文档.（参考 解析成XML ）.

对象的种类

BeautifulSoup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 .

Tag

Tag 对象与XML或HTML原生文档中的tag相同:

soup=BeautifulSoup（'Extremelybold'）

tag=soup.b

type（tag）

#

Tag有很多方法和属性,在 遍历文档树 和 搜索文档树 中有详细解释.现在介绍一下tag中最重要的属性:

name和attributes

Name

每个tag都有自己的名字,通过 .name 来获取:

tag.name

#u'b'

如果改变了tag的name,那将影响所有通过当前BeautifulSoup对象生成的HTML文档:

tag.name="blockquote"

tag

#Extremelybold

Attributes

一个tag可能有很多个属性.tag  有一个“class”的属性,值为“boldest”. tag的属性的操作方法与字典相同:

tag['class']

#u'boldest'

也可以直接”点”取属性,比如:

 .attrs :

tag.attrs

#{u'class':

u'boldest'}

tag的属性可以被添加,删除或修改.再说一次,tag的属性操作方法与字典一样

tag['class']='verybold'

tag['id']=1