python爬虫（7）--Beautiful Soup的用法

1.Beautiful Soup简介

简单来说，Beautiful Soup是python的一个库，最主要的功能是从网页抓取数据。

Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。

Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。你不需要考虑编码方式，除非文档没有指定一个编码方式，这时，Beautiful Soup就不能自动识别编码方式了。然后，你仅仅需要说明一下原始编码方式就可以了。

Beautiful Soup已成为和lxml、html6lib一样出色的python解释器，为用户灵活地提供不同的解析策略或强劲的速度。

2.Beautiful Soup安装

可以利用 pip 或者 easy_install 来安装（进入python安装目录，进入Scripts文件夹，运行cmd）

easy_install beautifulsoup4

pip install beautifulsoup4

然后需要安装 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:

easy_install html5lib

pip install html5lib

Beautiful Soup支持Python标准库中的HTML解析器,还支持一些第三方的解析器，如果我们不安装它，则 Python 会使用 Python默认的解析器，lxml 解析器更加强大，速度更快，推荐安装。

3.创建 Beautiful Soup 对象

首先必须要导入 bs4 库，创建 beautifulsoup 对象，还可以用本地 HTML 文件来创建对象，下面我们来打印一下 soup 对象的内容，格式化输出

from bs4 import BeautifulSoup

soup = BeautifulSoup(open('test.html'), "html5lib")
print soup.prettify()

4. 四大对象种类

Beautiful Soup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

（1）Tag

Tag 是什么？通俗点讲就是 HTML 中的一个个标签。HTML 标签加上里面包括的内容就是 Tag，下面来感受一下怎样用 Beautiful Soup 来方便地获取 Tags。

# -*- coding: utf-8 -*-
from bs4 import BeautifulSoup

encoding = "utf-8"
soup = BeautifulSoup(open('test.html'), "html5lib", from_encoding=encoding)
print soup.prettify()
print soup.a.encode('gbk')
print soup.title.encode('gbk')

可以利用 soup加标签名轻松地获取这些标签的内容，它查找的是在所有内容中的第一个符合要求的标签，如果要查询所有的标签，在后面进行介绍。

对于 Tag，它有两个重要的属性，是 name 和 attrs

name

soup 对象本身比较特殊，它的 name 即为 [document]，对于其他内部标签，输出的值便为标签本身的名称。

print soup.name
print soup.a.name

[document]
a

attrs

把 p 标签的所有属性打印输出了出来，得到的类型是一个字典。

print soup.p.attrs

如果我们想要单独获取某个属性，可以这样

print soup.p['class']

还可以这样，利用get方法，传入属性的名称，二者是等价的

print soup.p.get('class')

可以对这些属性和内容等等进行修改

soup.p['class'] = "newClass"
print soup.p

（2）NavigableString

既然已经得到了标签的内容，那么问题来了，要想获取标签内部的文字怎么办呢？很简单，用 .string 即可，例如

print soup.title.string

这样我们就轻松获取到了标签里面的内容，它的类型是一个 NavigableString，翻译过来叫 可以遍历的字符串

（3）BeautifulSoup

BeautifulSoup 对象表示的是一个文档的全部内容.大部分时候,可以把它当作 Tag 对象，是一个特殊的 Tag。

（4）Comment

Comment 对象是一个特殊类型的 NavigableString 对象，其实输出的内容仍然不包括注释符号，但是如果不好好处理它，可能会对我们的文本处理造成意想不到的麻烦

5. 遍历文档树

（1）直接子节点

.contents

tag 的 .content 属性可以将tag的子节点以列表的方式输出

print soup.a.contents
#[<img src="images/cd/images/dl.png"/>]

输出方式为列表，可以用列表索引来获取它的某一个元素

print soup.a.contents[0]
#<img src="images/cd/images/dl.png"/>

.children

它返回的不是一个 list，不过可以通过遍历获取所有子节点，它是一个 list 生成器对象。

for child in soup.body.children:
    print child.encode('gbk')

（2）所有子孙节点

.descendants

.contents 和 .children 属性仅包含tag的直接子节点，.descendants 属性可以对所有tag的子孙节点进行递归循环，和 children类似，也需要遍历获取其中的内容。

for child in soup.descendants:
    print child.encode('gbk')

（3）节点内容

如果tag只有一个 NavigableString 类型子节点,那么这个tag可以使用 .string 得到子节点。如果一个tag仅有一个子节点,那么这个tag也可以使用 .string 方法,输出结果与当前唯一子节点的 .string 结果相同。

通俗点说就是：如果一个标签里面没有标签了，那么 .string 就会返回标签里面的内容。如果标签里面只有唯一的一个标签了，那么 .string 也会返回最里面的内容。

print soup.title.string
print soup.head.string
#中南财经政法大学统一身份认证
#None

如果tag包含了多个子节点,tag就无法确定，string 方法应该调用哪个子节点的内容, .string 的输出结果是 None

（4）多个内容

.strings

 获取多个内容，不过需要遍历获取

for string in soup.strings:
    print string

.stripped_strings

输出的字符串中可能包含了很多空格或空行,使用 .stripped_strings 可以去除多余空白内容

for string in soup.stripped_strings:
    print string

（5）父节点

p = soup.p
print p.parent.name

（6）全部父节点

通过元素的 .parents 属性可以递归得到元素的所有父辈节点

p = soup.p
for parent in p.parents:
    print parent.name

（7）兄弟节点

兄弟节点可以理解为和本节点处在统一级的节点，.next_sibling 属性获取了该节点的下一个兄弟节点，.previous_sibling 则与之相反，如果节点不存在，则返回 None

注意：实际文档中的tag的 .next_sibling 和 .previous_sibling 属性通常是字符串或空白，因为空白或者换行也可以被视作一个节点，所以得到的结果可能是空白或者换行

print soup.a.next_sibling.encode('gbk')
print soup.a.prev_sibling.encode('gbk')
#<span class="f-font"><a href="http://authserver.zuel.edu.cn/authserver/getBackPasswordMainPage.do">忘记密码？</a></span>
#None

（8）全部兄弟节点

通过 .next_siblings 和 .previous_siblings 属性可以对当前节点的兄弟节点迭代输出

for sibling in soup.a.next_siblings:
    print sibling

（9）前后节点

与 .next_sibling  .previous_sibling 不同，它并不是针对于兄弟节点，而是在所有节点，不分层次

print soup.a.next_element

（10）所有前后节点

通过 .next_elements 和 .previous_elements 的迭代器就可以向前或向后访问文档的解析内容,就好像文档正在被解析一样

for element in soup.a.next_elements:
    print element

6.搜索文档树

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

find_all() 方法搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件

1）name 参数

name 参数可以查找所有名字为 name 的tag,字符串对象会被自动忽略掉

A.传字符串

最简单的过滤器是字符串.在搜索方法中传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容,下面的例子用于查找文档中所有的<a>标签

for i in soup.find_all('a'):
    print i

B.传正则表达式

如果传入正则表达式作为参数,Beautiful Soup会通过正则表达式的 match() 来匹配内容.下面例子中找出所有以t开头的标签，这表示<title>，<tbody>，<table>,<tr>,<td>标签都应该被找到

for tag in soup.find_all(re.compile("^t")):
    print tag.name

C.传列表

如果传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回.下面代码找到文档中所有<a>标签和<title>标签

print soup.find_all(["a", "title"])

for tag in soup.find_all(True):
    print tag.name

def abc(tag):
    return tag.has_attr('a') and not tag.has_attr('p')
print soup.find_all(abc)

print soup.find_all(id="sending")

print soup.find_all(href=re.compile('login'))

print soup.find_all(type=re.compile('text'), id='username')

print soup.find_all("div", class_='form_list_user')

data_soup = BeautifulSoup('<div data-info="value">nice!</div>', "lxml")
print data_soup.find_all(attrs={'data-info': 'value'})

for i in soup.find_all(text="用户名:"):
    print i.encode('gbk')
#用户名:

for i in soup.find_all('a',limit=2):
    print i.encode('gbk')

for i in soup.find_all('div',class_= "form_list_user", recursive=False):
    print i.encode('gbk')

print soup.select("title")

print soup.select(".form_list_user")

print soup.select("#username")

print soup.select("div .logo")

print soup.select("head > title")

print soup.select("div[class='logo']")

for div in soup.select("div .form_list_user"):
    print div.get_text()