Python Beautiful Soup 解析庫的使用
Beautiful Soup
借助網頁的結構和屬性等特性來解析網頁，這樣就可以省去復雜的正則表達式的編寫。
Beautiful Soup是Python的一個HTML或XML的解析庫。
1.解析器
| 解析器 | 使用方法 | 優勢 | 劣勢 |
| Python標準庫 | BeautifulSoup(markup,"html.parser") | 執行速度適中、文檔容錯能力強 | 2.7.3和3.2.2之前的版本容錯能力差 |
| lxml HTML解析器 | BeautifulSoup(markup,"lxml") | 速度快、文檔容錯能力強 | 需要安裝C語言庫 |
| lxml XML解析器 | BeautifulSoup(markup,"xml") | 速度快，唯一支持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檔、生成HTML5格式的文檔 | 速度慢、不依賴外部擴展 |
綜上所述，推薦lxml HTML解析器
| 1 2 3 |
from bs4 import BeautifulSoup
soup = BeautifulSoup(‘<p>Hello World</p>‘,‘lxml‘)
print(soup.p.string)
|
2.基本用法：
| 1 2 3 4 5 6 7 8 9 10 11 |
html = ‘‘‘
<html>
<head><title>Infi-chu example</title></head>
<body>
<p class="title" name="dr"><b>title example</b></p>
<p class="story">link
<a href="http://example.com/elsie" class="sister" id="link1">elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">lacie</a>,<a href="http://example.com/tillie" class="sister" id="link3">tillie</a>,
last sentence</p>
‘‘‘
|
| 1 2 3 4 |
from bs4 import BeautifulSoup
soup = BeautifulSoup(html,‘lxml‘)
print(soup.prettify()) # 修復html
print(soup.title.string) # 輸出title節點的字符串內容
|
3.節點選擇器：
選擇元素
使用soup.元素的方式獲取
提取信息
（1）獲取名稱
使用soup.元素.name獲取元素名稱
（2）獲取屬性
使用soup.元素.attrs
使用soup.元素.attrs[‘name‘]
（3）元素內容
使用soup.元素.string獲取內容
嵌套選擇
使用soup.父元素.元素.string獲取內容
關聯選擇
（1）子節點和子孫節點
| 1 2 3 4 5 6 7 8 9 10 11 |
html = ‘‘‘
<html>
<head><title>Infi-chu example</title></head>
<body>
<p class="title" name="dr"><b>title example</b></p>
<p class="story">link
<a href="http://example.com/elsie" class="sister" id="link1"><span>elsie</span></a>,
<a href="http://example.com/lacie" class="sister" id="link2"><span>lacie</span></a>,
<a href="http://example.com/tillie" class="sister" id="link3"><span>tillie</span></a>,
last sentence</p>
‘‘‘
|
| 1 2 3 4 5 6 7 8 9 10 11 12 |
from bs4 import BeautifulSoup
# 得到直接子節點，children屬性
soup = BeautifulSoup(html,‘lxml‘)
print(soup.p.children)
for i ,child in enumerate(soup.p.children):
print(i,child)
# 得到所有的子孫節點，descendants屬性
soup = BeautifulSoup(html,‘lxml‘)
print(soup.p.descendants)
for i,child in enmuerate(soup.p.descendants):
print(i,child)
|
（2）父節點和祖先節點
調用父節點，使用parent屬性
獲取所有祖先節點，使用parents屬性
（3）兄弟節點
next_sibling 下一個兄弟元素
previous_sibling 上一個兄弟元素
next_siblings 所有前面兄弟節點
previous_siblings 所有後面兄弟節點
（4）提取信息
4.方法選擇器：
find_all()
find_all(name,attrs,recursize,text,**kwargs)
（1）name
| 1 2 3 |
soup.find_all(name=‘ul‘)
for ul in soup.find_all(name=‘ul‘):
print(ul.find_all(name=‘ul‘))
|
| 1 2 3 4 |
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)
|
（2）attes
| 1 2 3 4 5 6 7 |
# 根據節點名查詢
print(soup.find_all(attrs={‘id‘:‘list1‘}))
print(soup.find_all(attrs={‘name‘:‘elements‘}))
# 也可以寫成
print(soup.find_all(id=‘list1‘))
print(soup.find_all(class=‘elements‘))
|
（3）text
text參數可以用來匹配節點的文本，傳入的形式可以是字符串，可以是正則表達式對象
| 1 2 3 |
from bs4 import BeautifulSoup
soup = BeautifulSoup(html,‘lxml‘)
print(soup.find_all(text=re.compile(‘link‘)))
|
find()
返回一個元素
【註】
find_parents()和find_parent()
find_next_siblings()和find_next_sibling()
find_previous_siblings()和find_previous_sibling()
find_all_next()和find_next()
find_all_previous()和find_previous()
5.CSS選擇器：
嵌套選擇
| 1 2 |
for ul in soup.select(‘ul‘):
print(ul.select(‘li‘))
|
獲取屬性
| 1 2 3 4 |
for ul in soup.select(‘ul‘):
print(ul[‘id‘])
# 等價於
print(ul.attrs[‘id‘])
|
獲取文本
獲取文本除了string屬性還有get_text()方法
| 1 2 3 4 |
for li in soup.select(‘li‘):
# 效果一樣
print(li.get_text())
print(li.string)
|
Python Beautiful Soup 解析庫的使用