Python使用Beautiful Soup(BS4)庫解析HTML和XML

Posted on by

一、Beautiful Soup概述：

Beautiful Soup支持從HTML或XML文件中提取數據的Python庫；

它支持Python標準庫中的HTML解析器，還支持一些第三方的解析器lxml。

Beautiful Soup自動將輸入文檔轉換為Unicode編碼，輸出文檔轉換為utf-8編碼。

安裝：

pip install beautifulsoup4

可選擇安裝解析器

  • pip install lxml
  • pip install html5lib

二、BeautifulSoup4簡單使用

假設有這樣一個Html，具體內容如下：

<!DOCTYPE html>
<html>
<head>
    <meta content="text/html;charset=utf-8" http-equiv="content-type" />
    <meta content="IE=Edge" http-equiv="X-UA-Compatible" />
    <meta content="always" name="referrer" />
    <link href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css" rel="external nofollow"  rel="stylesheet" type="text/css" />
    <title>百度一下，你就知道 </title>
</head>
<body link="#0000cc">
  <div id="wrapper">
    <div id="head">
        <div class="head_wrapper">
          <div id="u1">
            <a class="mnav" href="http://news.baidu.com" rel="external nofollow"  name="tj_trnews">新聞 </a>
            <a class="mnav" href="https://www.hao123.com" rel="external nofollow"  name="tj_trhao123">hao123 </a>
            <a class="mnav" href="http://map.baidu.com" rel="external nofollow"  name="tj_trmap">地圖 </a>
            <a class="mnav" href="http://v.baidu.com" rel="external nofollow"  name="tj_trvideo">視頻 </a>
            <a class="mnav" href="http://tieba.baidu.com" rel="external nofollow"  rel="external nofollow"  name="tj_trtieba">貼吧 </a>
            <a class="bri" href="//www.baidu.com/more/" rel="external nofollow"  name="tj_briicon" style="display: block;">更多產品 </a>
          </div>
        </div>
    </div>
  </div>
</body>
</html>

創建beautifulsoup4對象：

from bs4 import BeautifulSoup

file = open('./aa.html', 'rb')
html = file.read()
bs = BeautifulSoup(html, "html.parser")  # 縮進格式

print(bs.prettify())  # 格式化html結構
print(bs.title)  # 
print(bs.title.name)  # 獲取title標簽的名稱 :title
print(bs.title.string)  # 獲取title標簽的文本內容 :   百度一下，你就知道
print(bs.head)  # 獲取head標簽的所有內容 :
print(bs.div)  # 獲取第一個div標簽中的所有內容   :
print(bs.div["id"])  # 獲取第一個div標簽的id的值      :    wrapper
print(bs.a)  # 獲取第一個a標簽中的所有內容    :       <a href="http://news.baidu.com/" rel="external nofollow"   target="_blank">新聞 </a>
print(bs.find_all("a"))  # 獲取所有的a標簽中的所有內容     :   [....]
print(bs.find(id="u1"))  # 獲取id="u1"的所有內容 :
for item in bs.find_all("a"):  # 獲取所有的a標簽，並遍歷打印a標簽中的href的值    :
    print(item.get("href"))
for item in bs.find_all("a"):  # 獲取所有的a標簽，並遍歷打印a標簽的文本值:
    print(item.get_text())

三、BeautifulSoup4四大對象種類

BeautifulSoup4將復雜HTML文檔轉換成一個復雜的樹形結構,每個節點都是Python對象,所有對象可以歸納為4種:Tag 、NavigableString 、BeautifulSoup 、Comment、

1、Tag：標簽

Tag通俗點講就是HTML中的一個個標簽，例如：

print(bs.title) # 獲取title標簽的所有內容
print(bs.head) # 獲取head標簽的所有內容
print(bs.a) # 獲取第一個a標簽的所有內容
print(type(bs.a))# 類型

我們可以利用 soup 加標簽名輕松地獲取這些標簽的內容，這些對象的類型是bs4.element.Tag。但是註意，它查找的是在所有內容中的第一個符合要求的標簽。

對於 Tag，它有兩個重要的屬性，是 name 和 attrs：

print(bs.name) # [document] #bs 對象本身比較特殊，它的 name 即為 [document]
print(bs.head.name) # head #對於其他內部標簽，輸出的值便為標簽本身的名稱
print(bs.a.attrs) # 在這裡，我們把 a 標簽的所有屬性打印輸出瞭出來，得到的類型是一個字典。
print(bs.a['class']) ##還可以利用get方法，傳入屬性的名稱，二者是等價的，等價 bs.a.get('class')

bs.a['class'] = "newClass"# 可以對這些屬性和內容等等進行修改
print(bs.a) 

del bs.a['class'] # 還可以對這個屬性進行刪除
print(bs.a)

2、NavigableString：標簽內部的文字

既然我們已經得到瞭標簽的內容，那麼問題來瞭，我們要想獲取標簽內部的文字怎麼辦呢？很簡單，用 .string 即可，例如：

print(bs.title.string)  # 百度一下，你就知道 
print(type(bs.title.string))  #

3、BeautifulSoup：文檔的內容

BeautifulSoup對象表示的是一個文檔的內容。大部分時候，可以把它當作 Tag 對象，是一個特殊的 Tag，我們可以分別獲取它的類型，名稱，以及屬性，例如：

print(type(bs.name))  # 
print(bs.name)  # [document]
print(bs.attrs)  # {}

4、Comment：註釋

Comment 對象是一個特殊類型的 NavigableString 對象，其輸出的內容不包括註釋符號。

print(bs.a)
# 此時不能出現空格和換行符，a標簽如下：
# 
print(bs.a.string) # 新聞
print(type(bs.a.string)) #

四、遍歷文檔樹所用屬性

  • .contents：獲取Tag的所有子節點，返回一個list
print(bs.head.contents)     # tag的.contents屬性可以將tag的子節點以列表的方式輸出:[...]
print(bs.head.contents[1])  # 用列表索引來獲取它的某一個元素:
  • .children：獲取Tag的所有子節點，返回一個生成器
for child in bs.body.children:
    print(child)
  • .descendants：獲取Tag的所有子孫節點
  • .parent：獲取Tag的父節點
  • .parents：遞歸得到父輩元素的所有節點，返回一個生成器
  • .previous_sibling：獲取當前Tag的上一個節點，屬性通常是字符串或空白，真實結果是當前標簽與上一個標簽之間的頓號和換行符
  • .next_sibling：獲取當前Tag的下一個節點，屬性通常是字符串或空白，真是結果是當前標簽與下一個標簽之間的頓號與換行符
  • .previous_siblings：獲取當前Tag的上面所有的兄弟節點，返回一個生成器
  • .next_siblings：獲取當前Tag的下面所有的兄弟節點，返回一個生成器
  • .previous_element：獲取解析過程中上一個被解析的對象(字符串或tag)，可能與previous_sibling相同，但通常是不一樣的
  • .next_element：獲取解析過程中下一個被解析的對象(字符串或tag)，可能與next_sibling相同，但通常是不一樣的
  • .previous_elements：返回一個生成器，可以向前訪問文檔的解析內容
  • .next_elements：返回一個生成器，可以向後訪問文檔的解析內容
  • .strings：如果Tag包含多個字符串，即在子孫節點中有內容，可以用此獲取，而後進行遍歷
  • .stripped_strings：與strings用法一致，隻不過可以去除掉那些多餘的空白內容
  • .has_attr：判斷Tag是否包含屬性

五、搜索文檔樹

1、find_all()：過濾器

find_all(name, attrs, recursive, text, **kwargs)：

find_all過濾器可以被用在tag的name中，節點的屬性等。

（1）name參數：

字符串過濾：會查找與字符串完全匹配的內容

a_list = bs.find_all("a")
print(a_list)

正則表達式過濾：如果傳入的是正則表達式，那麼BeautifulSoup4會通過search()來匹配內容

import re 

t_list = bs.find_all(re.compile("a")) 
for item in t_list: 
   print(item)

列表：如果傳入一個列表，BeautifulSoup4將會與列表中的任一元素匹配到的節點返回

t_list = bs.find_all(["meta","link"])
for item in t_list:
    print(item)

方法：傳入一個方法，根據方法來匹配

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參數：

t_list = bs.find_all(id="head")  # 查詢id=head的Tag
t_list = bs.find_all(href=re.compile(http://news.baidu.com))  # 查詢href屬性包含ss1.bdstatic.com的Tag
t_list = bs.find_all(class_=True) # 查詢所有包含class的Tag(註意：class在Python中屬於關鍵字，所以加_以示區別)
for item in t_list: 
    print(item)

（3）attrs參數：

並不是所有的屬性都可以使用上面這種方式進行搜索，比如HTML的data-*屬性：

t_list = bs.find_all(data-foo="value")

如果執行這段代碼，將會報錯。我們可以使用attrs參數，定義一個字典來搜索包含特殊屬性的tag：

t_list = bs.find_all(attrs={"data-foo":"value"})
for item in t_list:
    print(item)

（4）text參數：

通過text參數可以搜索文檔中的字符串內容，與name參數的可選值一樣，text參數接受 字符串，正則表達式，列表

t_list = bs.find_all(text="hao123") 
t_list = bs.find_all(text=["hao123", "地圖", "貼吧"]) 
t_list = bs.find_all(text=re.compile("\d"))

當我們搜索text中的一些特殊屬性時，同樣也可以傳入一個方法來達到我們的目的：

def length_is_two(text):
    return text and len(text) == 2
t_list = bs.find_all(text=length_is_two)

（5）limit參數：

可以傳入一個limit參數來限制返回的數量，當搜索出的數據量為5，而設置瞭limit=2時，此時隻會返回前2個數據

t_list = bs.find_all("a",limit=2)

find_all除瞭上面一些常規的寫法，還可以對其進行一些簡寫：

# 下面兩者是相等的
t_list = bs.find_all("a") 
t_list = bs("a") 

# 下面兩者是相等的
t_list = bs.a.find_all(text="新聞") 
t_list = bs.a(text="新聞")

2、find()

find()將返回符合條件的第一個Tag，有時我們隻需要或一個Tag時，我們就可以用到find()方法瞭。當然瞭，也可以使用find_all()方法，傳入一個limit=1，然後再取出第一個值也是可以的，不過未免繁瑣。

t_list = bs.find_all("title",limit=1) # 返回隻有一個結果的列表
t = bs.find("title") # 返回唯一值
t = bs.find("abc") # 如果沒有找到，則返回None

從結果可以看出find_all，盡管傳入瞭limit=1，但是返回值仍然為一個列表，當我們隻需要取一個值時，遠不如find方法方便。但是如果未搜索到值時，將返回一個None。

在上面介紹BeautifulSoup4的時候，我們知道可以通過bs.div來獲取第一個div標簽，如果我們需要獲取第一個div下的第一個div，我們可以這樣：

t = bs.div.div
# 等價於
t = bs.find("div").find("div")

六、CSS選擇器：select()方法

BeautifulSoup支持部分的CSS選擇器，在Tag獲取BeautifulSoup對象的.select()方法中傳入字符串參數，即可使用CSS選擇器的語法找到Tag:

print(bs.select('title'))  # 1、通過標簽名查找               
print(bs.select('a'))                                
print(bs.select('.mnav'))  # 2、通過類名查找                
print(bs.select('#u1'))  # 3、通過id查找                  
print(bs.select('div .bri'))  # 4、組合查找               
print(bs.select('a[class="bri"]'))  # 5、屬性查找         
print(bs.select('a[href="http://tieba.baidu.com" rel="external nofollow"  rel="external nofollow" ]')) 
print(bs.select("head > title"))  # 6、直接子標簽查找        
print(bs.select(".mnav ~ .bri"))  # 7、兄弟節點標簽查找       
print(bs.select('title')[0].get_text())  # 8、獲取內容

七、綜合實例：

from bs4 import BeautifulSoup
import requests,re
req_obj = requests.get('https://www.baidu.com')
soup = BeautifulSoup(req_obj.text,'lxml')

'''標簽查找'''
print(soup.title)              #隻是查找出第一個
print(soup.find('title'))      #效果和上面一樣
print(soup.find_all('div'))    #查出所有的div標簽

'''獲取標簽裡的屬性'''
tag = soup.div
print(tag['class'])   #多屬性的話，會返回一個列表
print(tag['id'])      #查找標簽的id屬性
print(tag.attrs)      #查找標簽所有的屬性，返回一個字典（屬性名：屬性值）

'''標簽包的字符串'''
tag = soup.title
print(tag.string)                 #獲取標簽裡的字符串
tag.string.replace_with("哈哈")    #字符串不能直接編輯，可以替換

'''子節點的操作'''
tag = soup.head
print(tag.title)     #獲取head標簽後再獲取它包含的子標簽

'''contents 和 .children'''
tag = soup.body
print(tag.contents)        #將標簽的子節點以列表返回
print([child for child in tag.children])      #輸出和上面一樣


'''descendants'''
tag = soup.body
[print(child_tag) for child_tag in tag.descendants]    #獲取所有子節點和子子節點

'''strings和.stripped_strings'''
tag = soup.body
[print(str) for str in tag.strings]             #輸出所有所有文本內容
[print(str) for str in tag.stripped_strings]    #輸出所有所有文本內容，去除空格或空行

'''.parent和.parents'''
tag = soup.title
print(tag.parent)   　　　　　　　　　　　　　 #輸出便簽的父標簽
[print(parent) for parent in tag.parents]  #輸出所有的父標簽

'''.next_siblings 和 .previous_siblings
    查出所有的兄弟節點
'''

'''.next_element 和 .previous_element
    下一個兄弟節點
'''

'''find_all的keyword 參數'''
soup.find_all(id='link2')                   #查找所有包含 id 屬性的標簽
soup.find_all(href=re.compile("elsie"))     #href 參數,Beautiful Soup會搜索每個標簽的href屬性:
soup.find_all(id=True)                       #找出所有的有id屬性的標簽
soup.find_all(href=re.compile("elsie"), id='link1')         #也可以組合查找
soup.find_all(attrs={"屬性名": "屬性值"})  #也可以通過字典的方式查找

八、BeautifulSoup 和lxml（Xpath）對比

# test.py
# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup, SoupStrainer
import traceback
import json
from lxml import etree
import re
import time

def getHtmlText(url):
    try:
        r = requests.get(url, headers=headers)
        r.raise_for_status()
        if r.encoding == 'ISO-8859-1':
            r.encoding = r.apparent_encoding
        return r.text
    except:
        traceback.print_exc()

# ----------使用BeautifulSoup解析------------------------
def parseWithBeautifulSoup(html_text):
    soup = BeautifulSoup(html_text, 'lxml') 
    content = []
    for mulu in soup.find_all(class_='mulu'): # 先找到所有的 div class=mulu 標記
        # 找到div_h2 標記
        h2 = mulu.find('h2')
        if h2 != None:
            h2_title = h2.string # 獲取標題
            lst = []
            for a in mulu.select('div.box a'):
                href = a.get('href') # 找到 href 屬性
                box_title = a.get('title')  # 找到 title 屬性
                pattern = re.compile(r'\s*\[(.*)\]\s+(.*)') # (re) 匹配括號內的表達式，也表示一個組
                match = pattern.search(box_title)
                if match != None:
                    date = match.group(1)
                    real_title = match.group(2)
                    lst.append({'href':href,'title':real_title,'date':date})
            content.append({'title':h2_title,'content':lst})
    with open('dmbj_bs.json', 'w') as fp:
        json.dump(content, fp=fp, indent=4)

# ----------使用Xpath解析------------------------
def parseWithXpath(html_text):
    html = etree.HTML(html_text)
    content = []
    for div_mulu in html.xpath('.//*[@class="mulu"]')： # 先找到所有的 div class=mulu 標記
        # 找到所有的 div_h2 標記
        div_h2 = div_mulu.xpath('./div[@class="mulu-title"]/center/h2/text()')
        if len(div_h2) > 0:
            h2_title = div_h2[0] # 獲取標題
            a_s = div_mulu.xpath('./div[@class="box"]/ul/li/a')
            lst = []
            for a in a_s:
                href = a.xpath('./@href')[0] # 找到 href 屬性
                box_title = a.xpath('./@title')[0] # 找到 title 屬性
                pattern = re.compile(r'\s*\[(.*)\]\s+(.*)') # (re) 匹配括號內的表達式，也表示一個組
                match = pattern.search(box_title)
                if match != None:
                    date = match.group(1)
                    real_title = match.group(2)
                    lst.append({'href':href,'title':real_title,'date':date})
            content.append({'title':h2_title,'content':lst})
    with open('dmbj_xp.json', 'w') as fp:
        json.dump(content, fp=fp, indent=4)

def main():
    html_text = getHtmlText('http://www.seputu.com')
    print(len(html_text))
    start = time.clock()
    parseWithBeautifulSoup(html_text)
    print('BSoup cost:', time.clock()-start)
    start = time.clock()
    parseWithXpath(html_text)
    print('Xpath cost:', time.clock()-start)

if __name__ == '__main__':
    user_agent = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.117 Safari/537.36'
    headers={'User-Agent': user_agent}
    main()

到此這篇關於Python使用Beautiful Soup(BS4)庫解析HTML和XML的文章就介紹到這瞭。希望對大傢的學習有所幫助，也希望大傢多多支持WalkonNet。

推薦閱讀：