4.2 使用 Beautiful Soup
4.2 使用 Beautiful Soup
前面介紹了正則表示式的相關用法,但是一旦正則表示式寫的有問題,得到的可能就不是我們想要的結果了。而且對於一個網頁來說,都有一定的特殊結構和層級關係,而且很多節點都有 id 或 class 來作區分,所以藉助它們的結構和屬性來提取不也可以嗎?
這一節中,我們就來介紹一個強大的解析工具 Beautiful Soup,它藉助網頁的結構和屬性等特性來解析網頁。有了它,我們不用再去寫一些複雜的正則表示式,只需要簡單的幾條語句,就可以完成網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 的強大之處吧。
1. Beautiful Soup 簡介
簡單來說,BeautifulSoup 就是 Python 的一個 HTML 或 XML 的解析庫,我們可以用它來方便地從網頁中提取資料,官方的解釋如下:
BeautifulSoup 提供一些簡單的、Python 式的函式用來處理導航、搜尋、修改分析樹等功能。它是一個工具箱,通過解析文件為使用者提供需要抓取的資料,因為簡單,所以不需要多少程式碼就可以寫出一個完整的應用程式。
BeautifulSoup 自動將輸入文件轉換為 Unicode 編碼,輸出文件轉換為 utf-8 編碼。你不需要考慮編碼方式,除非文件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。
BeautifulSoup 已成為和 lxml、html5lib 一樣出色的 Python 直譯器,為使用者靈活地提供不同的解析策略或強勁的速度。
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. 準備工作
在開始之前,請確保已經正確安裝好了 Beautiful Soup 和 lxml,如果沒有安裝,可以參考第 1 章的內容。
3. 解析器
Beautiful Soup 在解析時實際上依賴解析器,它除了支援 Python 標準庫中的 HTML 解析器外,還支援一些第三方解析器(比如 lxml)。表 4-3 列出了 Beautiful Soup 支援的解析器。
表 4-3 Beautiful Soup 支援的解析器
解析器 | 使用方法 | 優勢 | 劣勢 |
---|---|---|---|
Python 標準庫 | BeautifulSoup(markup, "html.parser") | Python 的內建標準庫、執行速度適中 、文件容錯能力強 | Python 2.7.3 or 3.2.2) 前的版本中文容錯能力差 |
LXML HTML 解析器 | BeautifulSoup(markup, "lxml") | 速度快、文件容錯能力強 | 需要安裝 C 語言庫 |
LXML XML 解析器 | BeautifulSoup(markup, "xml") | 速度快、唯一支援 XML 的解析器 | 需要安裝 C 語言庫 |
html5lib | BeautifulSoup(markup, "html5lib") | 最好的容錯性、以瀏覽器的方式解析文件、生成 HTML5 格式的文件 | 速度慢、不依賴外部擴充套件 |
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,所以推薦使用它。
如果使用 lxml,那麼在初始化 Beautiful Soup 時,可以把第二個引數改為 lxml 即可:
from bs4 import BeautifulSoup
soup = BeautifulSoup('<p>Hello</p>', 'lxml')
print(soup.p.string)
在後面,Beautiful Soup 的用法例項也統一用這個解析器來演示。
4. 基本使用
下面首先用例項來看看 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 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>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.prettify())
print(soup.title.string)
執行結果:
<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" href="http://example.com/elsie" id="link1">
<!-- Elsie -->
</a>
,
<a class="sister" href="http://example.com/lacie" id="link2">
Lacie
</a>
and
<a class="sister" href="http://example.com/tillie" id="link3">
Tillie
</a>
;
and they lived at the bottom of a well.
</p>
<p class="story">
...
</p>
</body>
</html>
The Dormouse's story
這裡首先宣告變數 html,它是一個 HTML 字串。但是需要注意的是,它並不是一個完整的 HTML 字串,因為 body 和 html 節點都沒有閉合。接著,我們將它當作第一個引數傳給 BeautifulSoup 物件,該物件的第二個引數為解析器的型別(這裡使用 lxml),此時就完成了 BeaufulSoup 物件的初始化。然後,將這個物件賦值給 soup 變數。
接下來,就可以呼叫 soup 的各個方法和屬性解析這串 HTML 程式碼了。
首先,呼叫 prettify() 方法。這個方法可以把要解析的字串以標準的縮排格式輸出。這裡需要注意的是,輸出結果裡面包含 body 和 html 節點,也就是說對於不標準的 HTML 字串 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。
然後呼叫 soup.title.string,這實際上是輸出 HTML 中 title 節點的文字內容。所以,soup.title 可以選出 HTML 中的 title 節點,再呼叫 string 屬性就可以得到裡面的文字了,所以我們可以通過簡單呼叫幾個屬性完成文字提取,這是不是非常方便?
5. 節點選擇器
直接呼叫節點的名稱就可以選擇節點元素,再呼叫 string 屬性就可以得到節點內的文字了,這種選擇方式速度非常快。如果單個節點結構層次非常清晰,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 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>
"""
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)
執行結果:
<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>
這裡依然選用剛才的 HTML 程式碼,首先列印輸出 title 節點的選擇結果,輸出結果正是 title 節點加里面的文字內容。接下來,輸出它的型別,是 bs4.element.Tag 型別,這是 Beautiful Soup 中一個重要的資料結構。經過選擇器選擇後,選擇結果都是這種 Tag 型別。Tag 具有一些屬性,比如 string 屬性,呼叫該屬性,可以得到節點的文字內容,所以接下來的輸出結果正是節點的文字內容。
接下來,我們又嘗試選擇了 head 節點,結果也是節點加其內部的所有內容。最後,選擇了 p 節點。不過這次情況比較特殊,我們發現結果是第一個 p 節點的內容,後面的幾個 p 節點並沒有選到。也就是說,當有多個節點時,這種選擇方式只會選擇到第一個匹配的節點,其他的後面節點都會忽略。
提取資訊
上面演示了呼叫 string 屬性來獲取文字的值,那麼如何獲取節點屬性的值呢?如何獲取節點名呢?下面我們來統一梳理一下資訊的提取方式。
獲取名稱
可以利用 name 屬性獲取節點的名稱。這裡還是以上面的文字為例,選取 title 節點,然後呼叫 name 屬性就可以得到節點名稱:
print(soup.title.name)
執行結果:
title
獲取屬性
每個節點可能有多個屬性,比如 id 和 class 等,選擇這個節點元素後,可以呼叫 attrs 獲取所有屬性:
print(soup.p.attrs)
print(soup.p.attrs['name'])
執行結果:
{'class': ['title'], 'name': 'dromouse'}
dromouse
可以看到,attrs 的返回結果是字典形式,它把選擇的節點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,就相當於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。
其實這樣有點煩瑣,還有一種更簡單的獲取方式:可以不用寫 attrs,直接在節點元素後面加中括號,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'])
執行結果如下:
dromouse
['title']
這裡需要注意的是,有的返回結果是字串,有的返回結果是字串組成的列表。比如,name 屬性的值是唯一的,返回的結果就是單個字串。而對於 class,一個節點元素可能有多個 class,所以返回的是列表。在實際處理過程中,我們要注意判斷型別。
獲取內容
可以利用 string 屬性獲取節點元素包含的文字內容,比如要獲取第一個 p 節點的文字:
print(soup.p.string)
執行結果如下:
The Dormouse's story
再次注意一下,這裡選擇到的 p 節點是第一個 p 節點,獲取的文字也是第一個 p 節點裡面的文字。
巢狀選擇
在上面的例子中,我們知道每一個返回結果都是 bs4.element.Tag 型別,它同樣可以繼續呼叫節點進行下一步的選擇。比如,我們獲取了 head 節點元素,我們可以繼續呼叫 head 來選取其內部的 head 節點元素:
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)
執行結果如下:
<title>The Dormouse's story</title>
<class 'bs4.element.Tag'>
The Dormouse's story
第一行結果是呼叫 head 之後再次呼叫 title 而選擇的 title 節點元素。然後列印輸出了它的型別,可以看到,它仍然是 bs4.element.Tag 型別。也就是說,我們在 Tag 型別的基礎上再次選擇得到的依然還是 Tag 型別,每次返回的結果都相同,所以這樣就可以做巢狀選擇了。
最後,輸出它的 string 屬性,也就是節點裡的文字內容。
關聯選擇
在做選擇的時候,有時候不能做到一步就選到想要的節點元素,需要先選中某一個節點元素,然後以它為基準再選擇它的子節點、父節點、兄弟節點等,這裡就來介紹如何選擇這些節點元素。
子節點和子孫節點
選取節點元素之後,如果想要獲取它的直接子節點,可以呼叫 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 href="http://example.com/elsie" class="sister" id="link1">
<span>Elsie</span>
</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>
"""```
執行結果如下:
```python
['\n Once upon a time there were three little sisters; and their names were\n ', <a class="sister" href="http://example.com/elsie" id="link1">
<span>Elsie</span>
</a>, '\n', <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, ' \n and\n ', <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>, '\n and they lived at the bottom of a well.\n ']
可以看到,返回結果是列表形式。p 節點裡既包含文字,又包含節點,最後會將它們以列表形式統一返回。
需要注意的是,列表中的每個元素都是 p 節點的直接子節點。比如第一個 a 節點裡麵包含一層 span 節點,這相當於孫子節點了,但是返回結果並沒有單獨把 span 節點選出來。所以說,contents 屬性得到的結果是直接子節點的列表。
同樣,我們可以呼叫 children 屬性得到相應的結果:
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.p.children)
for i, child in enumerate(soup.p.children):
print(i, child)
執行結果如下:
<list_iterator object at 0x1064f7dd8>
0
Once upon a time there were three little sisters; and their names were
1 <a class="sister" href="http://example.com/elsie" id="link1">
<span>Elsie</span>
</a>
2
3 <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>
4
and
5 <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
6
and they lived at the bottom of a well.
還是同樣的 HTML 文字,這裡呼叫了 children 屬性來選擇,返回結果是生成器型別。接下來,我們用 for 迴圈輸出相應的內容。
如果要得到所有的子孫節點的話,可以呼叫 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)
執行結果如下:
<generator object descendants at 0x10650e678>
0
Once upon a time there were three little sisters; and their names were
1 <a class="sister" href="http://example.com/elsie" id="link1">
<span>Elsie</span>
</a>
2
3 <span>Elsie</span>
4 Elsie
5
6
7 <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>
8 Lacie
9
and
10 <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
11 Tillie
12
and they lived at the bottom of a well.
此時返回結果還是生成器。遍歷輸出一下可以看到,這次的輸出結果就包含了 span 節點。descendants 會遞迴查詢所有子節點,得到所有的子孫節點。
父節點和祖先節點
如果要獲取某個節點元素的父節點,可以呼叫 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 href="http://example.com/elsie" 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)
執行結果如下:
<p class="story">
Once upon a time there were three little sisters; and their names were
<a class="sister" href="http://example.com/elsie" id="link1">
<span>Elsie</span>
</a>
</p>
這裡我們選擇的是第一個 a 節點的父節點元素。很明顯,它的父節點是 p 節點,輸出結果便是 p 節點及其內部的內容。
需要注意的是,這裡輸出的僅僅是 a 節點的直接父節點,而沒有再向外尋找父節點的祖先節點。如果想獲取所有的祖先節點,可以呼叫 parents 屬性:
html = """
<html>
<body>
<p class="story">
<a href="http://example.com/elsie" 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)))
執行結果如下:
<class 'generator'>
[(0, <p class="story">
<a class="sister" href="http://example.com/elsie" id="link1">
<span>Elsie</span>
</a>
</p>), (1, <body>
<p class="story">
<a class="sister" href="http://example.com/elsie" id="link1">
<span>Elsie</span>
</a>
</p>
</body>), (2, <html>
<body>
<p class="story">
<a class="sister" href="http://example.com/elsie" id="link1">
<span>Elsie</span>
</a>
</p>
</body></html>), (3, <html>
<body>
<p class="story">
<a class="sister" href="http://example.com/elsie" id="link1">
<span>Elsie</span>
</a>
</p>
</body></html>)]
可以發現,返回結果是生成器型別。這裡用列表輸出了它的索引和內容,而列表中的元素就是 a 節點的祖先節點。
兄弟節點
上面說明了子節點和父節點的獲取方式,如果要獲取同級的節點(也就是兄弟節點),應該怎麼辦呢?示例如下:
html = """
<html>
<body>
<p class="story">
Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">
<span>Elsie</span>
</a>
Hello
<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>
"""
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)))
執行結果如下:
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" href="http://example.com/lacie" id="link2">Lacie</a>), (2, ' \n and\n '), (3, <a class="sister" href="http://example.com/tillie" 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,這裡呼叫了 4 個屬性,其中 next_sibling 和 previous_sibling 分別獲取節點的下一個和上一個兄弟元素,next_siblings 和 previous_siblings 則分別返回後面和前面的兄弟節點。
提取資訊
前面講解了關聯元素節點的選擇方法,如果想要獲取它們的一些資訊,比如文字、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 href="http://example.com/elsie" class="sister" id="link1">Bob</a><a href="http://example.com/lacie" 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'])
執行結果:
Next Sibling:
<class 'bs4.element.Tag'>
<a class="sister" href="http://example.com/lacie" 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" href="http://example.com/elsie" id="link1">Bob</a><a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>
</p>
['story']
如果返回結果是單個節點,那麼可以直接呼叫 string、attrs 等屬性獲得其文字和屬性;如果返回結果是多個節點的生成器,則可以轉為列表後取出某個元素,然後再呼叫 string、attrs 等屬性獲取其對應節點的文字和屬性。
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,這種方法非常快,但是如果進行比較複雜的選擇的話,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,呼叫它們,然後傳入相應的引數,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,可以給它傳入一些屬性或文字來得到符合條件的元素,功能十分強大。
它的 API 如下:
find_all(name , attrs , recursive , text , **kwargs)
name
我們可以根據節點名來查詢元素,下面我們用一個例項來感受一下:
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]))
執行結果:
[<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'>
這裡我們呼叫了 find_all 方法,傳入 name 引數,其引數值為 ul。也就是說,我們想要查詢所有 ul 節點,返回結果是列表型別,長度為 2,每個元素依然都是 bs4.element.Tag 型別。
因為都是 Tag 型別,所以依然可以進行巢狀查詢。還是同樣的文字,這裡查詢出所有 ul 節點後,再繼續查詢其內部的 li 節點:
for ul in soup.find_all(name='ul'):
print(ul.find_all(name='li'))
執行結果如下:
[<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>]
返回結果是列表型別,列表中的每個元素依然還是 Tag 型別。
接下來我們就可以遍歷每個 li 獲取它的文字了。
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)
執行結果如下:
[<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
attrs
除了根據節點名查詢,我們也可以傳入一些屬性來進行查詢,我們用一個例項感受一下:
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'}))
執行結果:
[<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>]
這裡查詢的時候傳入的是 attrs 引數,引數的型別是字典型別。比如,要查詢 id 為 list-1 的節點,可以傳入 attrs={'id': 'list-1'} 的查詢條件,得到的結果是列表形式,包含的內容就是符合 id 為 list-1 的所有節點。在上面的例子中,符合條件的元素個數是 1,所以結果是長度為 1 的列表。
對於一些常用的屬性,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 的節點,可以直接傳入 id 這個引數。還是上面的文字,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'))
執行結果如下:
[<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>]
這裡直接傳入 id='list-1',就可以查詢 id 為 list-1 的節點元素了。而對於 class 來說,由於 class 在 Python 裡是一個關鍵字,所以後面需要加一個下劃線,即 class_='element',返回的結果依然還是 Tag 組成的列表。
text
text 引數可用來匹配節點的文字,傳入的形式可以是字串,可以是正則表示式物件,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')))
執行結果:
['Hello, this is a link', 'Hello, this is a link, too']
這裡有兩個 a 節點,其內部包含文字資訊。這裡在 find_all() 方法中傳入 text 引數,該引數為正則表示式物件,結果返回所有匹配正則表示式的節點文字組成的列表。
find
除了 find_all 方法,還有 find 方法,只不過 find 方法返回的是單個元素,也就是第一個匹配的元素,而 find_all 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'))
執行結果:
<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>
返回結果不再是列表形式,而是第一個匹配的節點元素,型別依然是 Tag 型別。
另外還有許多的查詢方法,用法與前面介紹的 find_all、find 方法完全相同,只不過查詢範圍不同,在此做一下簡單的說明。
find_parents 和 find_parent:前者返回所有祖先節點,後者返回直接父節點。
find_next_siblings 和 find_next_sibling:前者返回後面所有的兄弟節點,後者返回後面第一個兄弟節點。
find_previous_siblings 和 find_previous_sibling:前者返回前面所有的兄弟節點,後者返回前面第一個兄弟節點。
find_all_next 和 find_next:前者返回節點後所有符合條件的節點,後者返回第一個符合條件的節點。
find_all_previous 和 find_previous:前者返回節點前所有符合條件的節點,後者返回第一個符合條件的節點。
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 開發熟悉的話,那麼對 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 瞭解。
使用 CSS 選擇器,只需要呼叫 select 方法,傳入相應的 CSS 選擇器即可,我們用一個例項來感受一下:
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]))
執行結果如下:
[<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'>
這裡我們用了 3 次 CSS 選擇器,返回的結果均是符合 CSS 選擇器的節點組成的列表。例如,select('ul li') 則是選擇所有 ul 節點下面的所有 li 節點,結果便是所有的 li 節點組成的列表。
最後一句我們列印輸出了列表中元素的型別,可以看到型別依然是 Tag 型別。
巢狀選擇
select 方法同樣支援巢狀選擇,例如我們先選擇所有 ul 節點,再遍歷每個 ul 節點選擇其 li 節點,樣例如下:
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
for ul in soup.select('ul'):
print(ul.select('li'))
執行結果如下:
[<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>]
可以看到正常輸出了遍歷每個 ul 節點之後,其下的所有 li 節點組成的列表。
獲取屬性
我們知道節點型別是 Tag 型別,所以獲取屬性還可以用原來的方法。仍然是上面的 HTML 文字,這裡嘗試獲取每個 ul 節點的 id 屬性:
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
for ul in soup.select('ul'):
print(ul['id'])
print(ul.attrs['id'])
執行結果如下:
list-1
list-1
list-2
list-2
可以看到直接傳入中括號和屬性名和通過 attrs 屬性獲取屬性值都是可以成功的。
獲取文字
要獲取文字,當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)
執行結果:
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
二者的效果是完全一致的,都可以獲取到節點的文字值。
8. 結語
到此 BeautifulSoup 的使用介紹基本就結束了,最後做一下簡單的總結:
- 推薦使用 LXML 解析庫,必要時使用 html.parser。
- 節點選擇篩選功能弱但是速度快。
- 建議使用 find、find_all 方法查詢匹配單個結果或者多個結果。
- 如果對 CSS 選擇器熟悉的話可以使用 select 選擇法。