快捷導(dǎo)航

python BeautifulSoup使用方法詳解

更新時(shí)間：2013年11月21日 15:11:50 作者：

Beautiful Soup 是用Python寫的一個(gè)HTML/XML的解析器，它可以很好的處理不規(guī)范標(biāo)記并生成剖析樹(shù)(parse tree)。它提供簡(jiǎn)單又常用的導(dǎo)航（navigating），搜索以及修改剖析樹(shù)的操作。它可以大大節(jié)省你的編程時(shí)間,下面我們就看看他是如何使用

直接看例子：

復(fù)制代碼代碼如下:

#!/usr/bin/python
# -*- coding: utf-8 -*-
from bs4 import BeautifulSoup
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><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://www.fzitv.net" class="sister" id="link1">Elsie</a>,
<a href="http://www.fzitv.net" class="sister" id="link2">Lacie</a> and
<a href="http://www.fzitv.net" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
soup = BeautifulSoup(html_doc)
print soup.title
print soup.title.name
print soup.title.string
print soup.p
print soup.a
print soup.find_all('a')
print soup.find(id='link3')
print soup.get_text()

結(jié)果為：

復(fù)制代碼代碼如下:

<title>The Dormouse's story</title>
title
The Dormouse's story
<p class="title"><b>The Dormouse's story</b></p>
<a class="sister" href="http://www.fzitv.net" id="link1">Elsie</a>
[<a class="sister" href="http://www.fzitv.net" id="link1">Elsie</a>, <a class="sister" href="http://www.fzitv.net" id="link2">Lacie</a>, <a class="sister" href="http://www.fzitv.net" id="link3">Tillie</a>]
<a class="sister" href="http://www.fzitv.net" id="link3">Tillie</a>
The Dormouse's story
The Dormouse's story
Once upon a time there were three little sisters; and their names were
Elsie,
Lacie and
Tillie;
and they lived at the bottom of a well.
...

可以看出：soup 就是BeautifulSoup處理格式化后的字符串，soup.title 得到的是title標(biāo)簽，soup.p 得到的是文檔中的第一個(gè)p標(biāo)簽，要想得到所有標(biāo)簽，得用find_all
函數(shù)。find_all 函數(shù)返回的是一個(gè)序列，可以對(duì)它進(jìn)行循環(huán)，依次得到想到的東西.
get_text() 是返回文本,這個(gè)對(duì)每一個(gè)BeautifulSoup處理后的對(duì)象得到的標(biāo)簽都是生效的。你可以試試 print soup.p.get_text()
其實(shí)是可以獲得標(biāo)簽的其他屬性的，比如我要獲得a標(biāo)簽的href屬性的值，可以使用 print soup.a['href'],類似的其他屬性，比如class也是可以這么得到的（soup.a['class']）。
特別的，一些特殊的標(biāo)簽，比如head標(biāo)簽，是可以通過(guò)soup.head 得到，其實(shí)前面也已經(jīng)說(shuō)了。
如何獲得標(biāo)簽的內(nèi)容數(shù)組？使用contents 屬性就可以比如使用 print soup.head.contents，就獲得了head下的所有子孩子，以列表的形式返回結(jié)果，
可以使用 [num] 的形式獲得 ,獲得標(biāo)簽，使用.name 就可以。
獲取標(biāo)簽的孩子，也可以使用children，但是不能print soup.head.children 沒(méi)有返回列表，返回的是 <listiterator object at 0x108e6d150>,
不過(guò)使用list可以將其轉(zhuǎn)化為列表。當(dāng)然可以使用for 語(yǔ)句遍歷里面的孩子。
關(guān)于string屬性，如果超過(guò)一個(gè)標(biāo)簽的話，那么就會(huì)返回None，否則就返回具體的字符串print soup.title.string 就返回了 The Dormouse's story
超過(guò)一個(gè)標(biāo)簽的話，可以試用strings
向上查找可以用parent函數(shù)，如果查找所有的，那么可以使用parents函數(shù)
查找下一個(gè)兄弟使用next_sibling,查找上一個(gè)兄弟節(jié)點(diǎn)使用previous_sibling,如果是查找所有的，那么在對(duì)應(yīng)的函數(shù)后面加s就可以

如何遍歷樹(shù)？

使用find_all 函數(shù)

復(fù)制代碼代碼如下:

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

舉例說(shuō)明：

復(fù)制代碼代碼如下:

print soup.find_all('title')
print soup.find_all('p','title')
print soup.find_all('a')
print soup.find_all(id="link2")
print soup.find_all(id=True)

返回值為：

復(fù)制代碼代碼如下:

[<title>The Dormouse's story</title>]
[<p class="title"><b>The Dormouse's story</b></p>]
[<a class="sister" href="http://www.fzitv.net" id="link1">Elsie</a>, <a class="sister" href="http://www.fzitv.net" id="link2">Lacie</a>, <a class="sister" href="http://www.fzitv.net" id="link3">Tillie</a>]
[<a class="sister" href="http://www.fzitv.net" id="link2">Lacie</a>]
[<a class="sister" href="http://www.fzitv.net" id="link1">Elsie</a>, <a class="sister" href="http://www.fzitv.net" id="link2">Lacie</a>, <a class="sister" href="http://www.fzitv.net" id="link3">Tillie</a>]

通過(guò)css查找,直接上例子：

復(fù)制代碼代碼如下:

print soup.find_all("a", class_="sister")
print soup.select("p.title")

通過(guò)屬性進(jìn)行查找

復(fù)制代碼代碼如下:

print soup.find_all("a", attrs={"class": "sister"})

通過(guò)文本進(jìn)行查找

復(fù)制代碼代碼如下:

print soup.find_all(text="Elsie")
print soup.find_all(text=["Tillie", "Elsie", "Lacie"])

限制結(jié)果個(gè)數(shù)

復(fù)制代碼代碼如下:

print soup.find_all("a", limit=2)

結(jié)果為：

復(fù)制代碼代碼如下:

[<a class="sister" href="http://www.fzitv.net" id="link1">Elsie</a>, <a class="sister" href="http://www.fzitv.net" id="link2">Lacie</a>, <a class="sister" href="http://www.fzitv.net" id="link3">Tillie</a>]
[<p class="title"><b>The Dormouse's story</b></p>]
[<a class="sister" href="http://www.fzitv.net" id="link1">Elsie</a>, <a class="sister" href="http://www.fzitv.net" id="link2">Lacie</a>, <a class="sister" href="http://www.fzitv.net" id="link3">Tillie</a>]
[u'Elsie']
[u'Elsie', u'Lacie', u'Tillie']
[<a class="sister" href="http://www.fzitv.net" id="link1">Elsie</a>, <a class="sister" href="http://www.fzitv.net" id="link2">Lacie</a>]

總之，通過(guò)這些函數(shù)可以查找到想要的東西。

您可能感興趣的文章: