Python中使用Beautiful Soup庫的超詳細教程

時間  2019-12-07
標籤 python 使用 beautiful soup 詳細 教程 欄目 Python 简体版
原文   原文鏈接

1. Beautiful Soup的簡介html

簡單來講，Beautiful Soup是python的一個庫，最主要的功能是從網頁抓取數據。官方解釋以下：python

    Beautiful Soup提供一些簡單的、python式的函數用來處理導航、搜索、修改分析樹等功能。它是一個工具箱，經過解析文檔爲用戶提供須要抓取的數據，由於簡單，因此不須要多少代碼就能夠寫出一個完整的應用程序。正則表達式

    Beautiful Soup自動將輸入文檔轉換爲Unicode編碼，輸出文檔轉換爲utf-8編碼。你不須要考慮編碼方式，除非文檔沒有指定一個編碼方式，這時，Beautiful Soup就不能自動識別編碼方式了。而後，你僅僅須要說明一下原始編碼方式就能夠了。函數

    Beautiful Soup已成爲和lxml、html6lib同樣出色的python解釋器，爲用戶靈活地提供不一樣的解析策略或強勁的速度。工具

廢話很少說，咱們來試一下吧~
2. Beautiful Soup 安裝編碼

Beautiful Soup 3 目前已經中止開發，推薦在如今的項目中使用Beautiful Soup 4，不過它已經被移植到BS4了，也就是說導入時咱們須要 import bs4 。因此這裏咱們用的版本是 Beautiful Soup 4.3.2 (簡稱BS4)，另外聽說 BS4 對 Python3 的支持不夠好，不過我用的是 Python2.7.7，若是有小夥伴用的是 Python3 版本，能夠考慮下載 BS3 版本。spa

若是你用的是新版的Debain或Ubuntu,那麼能夠經過系統的軟件包管理來安裝，不過它不是最新版本，目前是4.2.1版本
 .net

?翻譯

1code

sudo apt-get install Python-bs4

若是想安裝最新的版本，請直接下載安裝包來手動安裝，也是十分方便的方法。在這裏我安裝的是 Beautiful Soup 4.3.2

?

1

Beautiful Soup 3.2.1Beautiful Soup 4.3.2

下載完成以後解壓

運行下面的命令便可完成安裝
 

?

1

sudo python setup.py install

以下圖所示，證實安裝成功了

2015430164303242.png (722×462)

而後須要安裝 lxml
 

?

1

sudo apt-get install Python-lxml

Beautiful Soup支持Python標準庫中的HTML解析器,還支持一些第三方的解析器，若是咱們不安裝它，則 Python 會使用 Python默認的解析器，lxml 解析器更增強大，速度更快，推薦安裝。
3. 開啓Beautiful Soup 之旅

在這裏先分享官方文檔連接，不過內容是有些多，也不夠條理，在此本文章作一下整理方便你們參考。

官方文檔
4. 建立 Beautiful Soup 對象

首先必需要導入 bs4 庫
 

?

1

from bs4 import BeautifulSoup

咱們建立一個字符串，後面的例子咱們便會用它來演示
 

?

1

2

3

4

5

6

7

8

9

10

11

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>

"""

建立 beautifulsoup 對象
 

?

1

soup = BeautifulSoup(html)

另外，咱們還能夠用本地 HTML 文件來建立對象，例如
 

?

1

soup = BeautifulSoup(open('index.html'))

上面這句代碼即是將本地 index.html 文件打開，用它來建立 soup 對象

下面咱們來打印一下 soup 對象的內容，格式化輸出
 

?

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

print soup.prettify()

  

<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>

以上即是輸出結果，格式化打印出了它的內容，這個函數常常用到，小夥伴們要記好咯。
5. 四大對象種類

Beautiful Soup將複雜HTML文檔轉換成一個複雜的樹形結構,每一個節點都是Python對象,全部對象能夠概括爲4種:

  1.     Tag
  2.     NavigableString
  3.     BeautifulSoup
  4.     Comment

下面咱們進行一一介紹
（1）Tag

Tag 是什麼？通俗點講就是 HTML 中的一個個標籤，例如
 

?

1

2

3

<title>The Dormouse's story</title>

  

<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>

上面的 title a 等等 HTML 標籤加上裏面包括的內容就是 Tag，下面咱們來感覺一下怎樣用 Beautiful Soup 來方便地獲取 Tags

下面每一段代碼中註釋部分即爲運行結果
 

?

1

2

3

4

5

6

7

8

9

10

11

print soup.title

#<title>The Dormouse's story</title>

  

print soup.head

#<head><title>The Dormouse's story</title></head>

  

print soup.a

#<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>

  

print soup.p

#<p class="title" name="dromouse"><b>The Dormouse's story</b></p>

咱們能夠利用 soup加標籤名輕鬆地獲取這些標籤的內容，是否是感受比正則表達式方便多了？不過有一點是，它查找的是在全部內容中的第一個符合要求的標籤，若是要查詢全部的標籤，咱們在後面進行介紹。

咱們能夠驗證一下這些對象的類型
 

?

1

2

print type(soup.a)

#<class 'bs4.element.Tag'>

對於 Tag，它有兩個重要的屬性，是 name 和 attrs，下面咱們分別來感覺一下

?

1

2

3

4

5

6

name

  

print soup.name

print soup.head.name

#[document]

#head

soup 對象自己比較特殊，它的 name 即爲 [document]，對於其餘內部標籤，輸出的值便爲標籤自己的名稱。

?

1

2

3

4

attrs

  

print soup.p.attrs

#{'class': ['title'], 'name': 'dromouse'}

在這裏，咱們把 p 標籤的全部屬性打印輸出了出來，獲得的類型是一個字典。

若是咱們想要單獨獲取某個屬性，能夠這樣，例如咱們獲取它的 class 叫什麼
 

?

1

2

print soup.p['class']

#['title']

還能夠這樣，利用get方法，傳入屬性的名稱，兩者是等價的
 

?

1

2

print soup.p.get('class')

#['title']

咱們能夠對這些屬性和內容等等進行修改，例如
 

?

1

2

3

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

print soup.p

#<p class="newClass" name="dromouse"><b>The Dormouse's story</b></p>

還能夠對這個屬性進行刪除，例如
 

?

1

2

3

del soup.p['class']

print soup.p

#<p name="dromouse"><b>The Dormouse's story</b></p>

不過，對於修改刪除的操做，不是咱們的主要用途，在此不作詳細介紹了，若是有須要，請查看前面提供的官方文檔
（2）NavigableString

既然咱們已經獲得了標籤的內容，那麼問題來了，咱們要想獲取標籤內部的文字怎麼辦呢？很簡單，用 .string 便可，例如
 

?

1

2

print soup.p.string

#The Dormouse's story

這樣咱們就輕鬆獲取到了標籤裏面的內容，想一想若是用正則表達式要多麻煩。它的類型是一個 NavigableString，翻譯過來叫 能夠遍歷的字符串，不過咱們最好仍是稱它英文名字吧。
 

?

1

2

print type(soup.p.string)

#<class 'bs4.element.NavigableString'>

來檢查一下它的類型
 

?

1

2

print type(soup.p.string)

#<class 'bs4.element.NavigableString'>

（3）BeautifulSoup

BeautifulSoup 對象表示的是一個文檔的所有內容.大部分時候,能夠把它看成 Tag 對象，是一個特殊的 Tag，咱們能夠分別獲取它的類型，名稱，以及屬性來感覺一下
 

?

1

2

3

4

5

6

print type(soup.name)

#<type 'unicode'>

print soup.name

# [document]

print soup.attrs

#{} 空字典

（4）Comment

Comment 對象是一個特殊類型的 NavigableString 對象，其實輸出的內容仍然不包括註釋符號，可是若是很差好處理它，可能會對咱們的文本處理形成意想不到的麻煩。

咱們找一個帶註釋的標籤
 

?

1

2

3

print soup.a

print soup.a.string

print type(soup.a.string)

運行結果以下
 

?

1

2

3

<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>

 Elsie

<class 'bs4.element.Comment'>

a 標籤裏的內容其實是註釋，可是若是咱們利用 .string 來輸出它的內容，咱們發現它已經把註釋符號去掉了，因此這可能會給咱們帶來沒必要要的麻煩。

另外咱們打印輸出下它的類型，發現它是一個 Comment 類型，因此，咱們在使用前最好作一下判斷，判斷代碼以下
 

?

1

2

if type(soup.a.string)==bs4.element.Comment:

  print soup.a.string

上面的代碼中，咱們首先判斷了它的類型，是否爲 Comment 類型，而後再進行其餘操做，如打印輸出。
6. 遍歷文檔樹
（1）直接子節點

    要點：.contents .children 屬性

.contents
 

tag 的 .content 屬性能夠將tag的子節點以列表的方式輸出
 

?

1

2

print soup.head.contents

#[<title>The Dormouse's story</title>]

輸出方式爲列表，咱們能夠用列表索引來獲取它的某一個元素
 

?

1

2

3

4

print soup.head.contents[0]

#<title>The Dormouse's story</title>

 

.children

它返回的不是一個 list，不過咱們能夠經過遍歷獲取全部子節點。

咱們打印輸出 .children 看一下，能夠發現它是一個 list 生成器對象
 

?

1

2

print soup.head.children

#<listiterator object at 0x7f71457f5710>

咱們怎樣得到裏面的內容呢？很簡單，遍歷一下就行了，代碼及結果以下
 

?

1

2

3

4

5

6

7

8

9

10

11

12

for child in soup.body.children:

  print child

  

<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>

（2）全部子孫節點

    知識點：.descendants 屬性

.descendants
 

.contents 和 .children 屬性僅包含tag的直接子節點，.descendants 屬性能夠對全部tag的子孫節點進行遞歸循環，和 children相似，咱們也須要遍歷獲取其中的內容。
 

?

1

2

for child in soup.descendants:

  print child

運行結果以下，能夠發現，全部的節點都被打印出來了，先生最外層的 HTML標籤，其次從 head 標籤一個個剝離，以此類推。
 

?

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

<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>

<head><title>The Dormouse's story</title></head>

<title>The Dormouse's story</title>

The Dormouse's story

  

<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>

  

<p class="title" name="dromouse"><b>The Dormouse's story</b></p>

<b>The Dormouse's story</b>

The Dormouse's story

  

<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>

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>

 Elsie

,

  

<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>

Lacie

 and

  

<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>

Tillie

;

and they lived at the bottom of a well.

  

<p class="story">...</p>

...

（3）節點內容

    知識點：.string 屬性

若是tag只有一個 NavigableString 類型子節點,那麼這個tag可使用 .string 獲得子節點。若是一個tag僅有一個子節點,那麼這個tag也可使用 .string 方法,輸出結果與當前惟一子節點的 .string 結果相同。

通俗點說就是：若是一個標籤裏面沒有標籤了，那麼 .string 就會返回標籤裏面的內容。若是標籤裏面只有惟一的一個標籤了，那麼 .string 也會返回最裏面的內容。例如
 

?

1

2

3

4

print soup.head.string

#The Dormouse's story

print soup.title.string

#The Dormouse's story

若是tag包含了多個子節點,tag就沒法肯定，string 方法應該調用哪一個子節點的內容, .string 的輸出結果是 None
 

?

1

2

print soup.html.string

# None

（4）多個內容

    知識點： .strings .stripped_strings 屬性

.strings

獲取多個內容，不過須要遍歷獲取，好比下面的例子
 

?

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

for string in soup.strings:

  print(repr(string))

  # u"The Dormouse's story"

  # u'\n\n'

  # u"The Dormouse's story"

  # u'\n\n'

  # u'Once upon a time there were three little sisters; and their names were\n'

  # u'Elsie'

  # u',\n'

  # u'Lacie'

  # u' and\n'

  # u'Tillie'

  # u';\nand they lived at the bottom of a well.'

  # u'\n\n'

  # u'...'

  # u'\n'

.stripped_strings

輸出的字符串中可能包含了不少空格或空行,使用 .stripped_strings 能夠去除多餘空白內容
 

?

1

2

3

4

5

6

7

8

9

10

11

12

for string in soup.stripped_strings:

  print(repr(string))

  # u"The Dormouse's story"

  # u"The Dormouse's story"

  # u'Once upon a time there were three little sisters; and their names were'

  # u'Elsie'

  # u','

  # u'Lacie'

  # u'and'

  # u'Tillie'

  # u';\nand they lived at the bottom of a well.'

  # u'...'

（5）父節點

    知識點： .parent 屬性

 

?

1

2

3

4

5

6

7

p = soup.p

print p.parent.name

#body

  

content = soup.head.title.string

print content.parent.name

#title

（6）所有父節點

    知識點：.parents 屬性

經過元素的 .parents 屬性能夠遞歸獲得元素的全部父輩節點，例如
 

?

1

2

3

content = soup.head.title.string

for parent in content.parents:

  print parent.name

 

?

1

2

3

4

title

head

html

[document]

（7）兄弟節點

    知識點：.next_sibling .previous_sibling 屬性

兄弟節點能夠理解爲和本節點處在統一級的節點，.next_sibling 屬性獲取了該節點的下一個兄弟節點，.previous_sibling 則與之相反，若是節點不存在，則返回 None

注意：實際文檔中的tag的 .next_sibling 和 .previous_sibling 屬性一般是字符串或空白，由於空白或者換行也能夠被視做一個節點，因此獲得的結果多是空白或者換行
 

?

1

2

3

4

5

6

7

8

9

10

11

print soup.p.next_sibling

#    實際該處爲空白

print soup.p.prev_sibling

#None  沒有前一個兄弟節點，返回 None

print soup.p.next_sibling.next_sibling

#<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>

#下一個節點的下一個兄弟節點是咱們能夠看到的節點

（8）所有兄弟節點

    知識點：.next_siblings .previous_siblings 屬性

經過 .next_siblings 和 .previous_siblings 屬性能夠對當前節點的兄弟節點迭代輸出
 

?

1

2

3

4

5

6

7

8

for sibling in soup.a.next_siblings:

  print(repr(sibling))

  # u',\n'

  # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>

  # u' and\n'

  # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>

  # u'; and they lived at the bottom of a well.'

  # None

（9）先後節點

    知識點：.next_element .previous_element 屬性

與 .next_sibling .previous_sibling 不一樣，它並非針對於兄弟節點，而是在全部節點，不分層次

好比 head 節點爲
 
<head><title>The Dormouse's story</title></head>

那麼它的下一個節點即是 title，它是不分層次關係的
 

?

1

2

print soup.head.next_element

#<title>The Dormouse's story</title>

（10）全部先後節點

    知識點：.next_elements .previous_elements 屬性

經過 .next_elements 和 .previous_elements 的迭代器就能夠向前或向後訪問文檔的解析內容,就好像文檔正在被解析同樣
 

?

1

2

3

4

5

6

7

8

9

for element in last_a_tag.next_elements:

  print(repr(element))

# u'Tillie'

# u';\nand they lived at the bottom of a well.'

# u'\n\n'

# <p class="story">...</p>

# u'...'

# u'\n'

# None

7.搜索文檔樹
（1）find_all( name , attrs , recursive , text , **kwargs )

find_all() 方法搜索當前tag的全部tag子節點,並判斷是否符合過濾器的條件

1）name 參數

name 參數能夠查找全部名字爲 name 的tag,字符串對象會被自動忽略掉

A.傳字符串

最簡單的過濾器是字符串.在搜索方法中傳入一個字符串參數,Beautiful Soup會查找與字符串完整匹配的內容,下面的例子用於查找文檔中全部的<b>標籤

?

1

2

3

4

5

soup.find_all('b')

# [<b>The Dormouse's story</b>]

  

print soup.find_all('a')

#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

B.傳正則表達式

若是傳入正則表達式做爲參數,Beautiful Soup會經過正則表達式的 match() 來匹配內容.下面例子中找出全部以b開頭的標籤,這表示<body>和<b>標籤都應該被找到
 

?

1

2

3

4

5

import re

for tag in soup.find_all(re.compile("^b")):

  print(tag.name)

# body

# b

C.傳列表

若是傳入列表參數,Beautiful Soup會將與列表中任一元素匹配的內容返回.下面代碼找到文檔中全部<a>標籤和<b>標籤
 

?

1

2

3

4

5

soup.find_all(["a", "b"])

# [<b>The Dormouse's story</b>,

# <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,

# <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>,

# <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

D.傳 True

True 能夠匹配任何值,下面代碼查找到全部的tag,可是不會返回字符串節點
 

?

1

2

3

4

5

6

7

8

9

10

11

for tag in soup.find_all(True):

  print(tag.name)

# html

# head

# title

# body

# p

# b

# p

# a

# a

E.傳方法

若是沒有合適過濾器,那麼還能夠定義一個方法,方法只接受一個元素參數 [4] ,若是這個方法返回 True 表示當前元素匹配而且被找到,若是不是則反回 False

下面方法校驗了當前元素,若是包含 class 屬性卻不包含 id 屬性,那麼將返回 True:
 

?

1

2

def has_class_but_no_id(tag):

  return tag.has_attr('class') and not tag.has_attr('id')

將這個方法做爲參數傳入 find_all() 方法,將獲得全部<p>標籤:
 

?

1

2

3

4

soup.find_all(has_class_but_no_id)

# [<p class="title"><b>The Dormouse's story</b></p>,

# <p class="story">Once upon a time there were...</p>,

# <p class="story">...</p>]

2）keyword 參數

    注意：若是一個指定名字的參數不是搜索內置的參數名,搜索時會把該參數看成指定名字tag的屬性來搜索,若是包含一個名字爲 id 的參數,Beautiful Soup會搜索每一個tag的」id」屬性

 

?

1

2

soup.find_all(id='link2')

# [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

若是傳入 href 參數,Beautiful Soup會搜索每一個tag的」href」屬性
 

?

1

2

soup.find_all(href=re.compile("elsie"))

# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]

使用多個指定名字的參數能夠同時過濾tag的多個屬性
 

?

1

2

soup.find_all(href=re.compile("elsie"), id='link1')

# [<a class="sister" href="http://example.com/elsie" id="link1">three</a>]

在這裏咱們想用 class 過濾，不過 class 是 python 的關鍵詞，這怎麼辦？加個下劃線就能夠
 

?

1

2

3

4

soup.find_all("a", class_="sister")

# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,

# <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>,

# <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

有些tag屬性在搜索不能使用,好比HTML5中的 data-* 屬性
 

?

1

2

3

4

soup.find_all("a", class_="sister")

# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,

# <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>,

# <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

可是能夠經過 find_all() 方法的 attrs 參數定義一個字典參數來搜索包含特殊屬性的tag
 

?

1

2

data_soup.find_all(attrs={"data-foo": "value"})

# [<div data-foo="value">foo!</div>]

3）text 參數

經過 text 參數能夠搜搜文檔中的字符串內容.與 name 參數的可選值同樣, text 參數接受 字符串 , 正則表達式 , 列表, True
 

?

1

2

3

4

5

6

7

8

soup.find_all(text="Elsie")

# [u'Elsie']

  

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

# [u'Elsie', u'Lacie', u'Tillie']

  

soup.find_all(text=re.compile("Dormouse"))

[u"The Dormouse's story", u"The Dormouse's story"]

4）limit 參數

find_all() 方法返回所有的搜索結構,若是文檔樹很大那麼搜索會很慢.若是咱們不須要所有結果,可使用 limit 參數限制返回結果的數量.效果與SQL中的limit關鍵字相似,當搜索到的結果數量達到 limit 的限制時,就中止搜索返回結果.

文檔樹中有3個tag符合搜索條件,但結果只返回了2個,由於咱們限制了返回數量
 

?

1

2

3

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

# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,

# <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

5）recursive 參數

調用tag的 find_all() 方法時,Beautiful Soup會檢索當前tag的全部子孫節點,若是隻想搜索tag的直接子節點,可使用參數 recursive=False .

一段簡單的文檔:

複製代碼代碼以下:

 
<html>
 <head>
  <title>
   The Dormouse's story
  </title>
 </head>
...

 

是否使用 recursive 參數的搜索結果:
 

?

1

2

3

4

5

soup.html.find_all("title")

# [<title>The Dormouse's story</title>]

  

soup.html.find_all("title", recursive=False)

# []

（2）find( name , attrs , recursive , text , **kwargs )

它與 find_all() 方法惟一的區別是 find_all() 方法的返回結果是值包含一個元素的列表,而 find() 方法直接返回結果
（3）find_parents() find_parent()

find_all() 和 find() 只搜索當前節點的全部子節點,孫子節點等. find_parents() 和 find_parent() 用來搜索當前節點的父輩節點,搜索方法與普通tag的搜索方法相同,搜索文檔搜索文檔包含的內容
（4）find_next_siblings() find_next_sibling()

這2個方法經過 .next_siblings 屬性對當 tag 的全部後面解析的兄弟 tag 節點進行迭代, find_next_siblings() 方法返回全部符合條件的後面的兄弟節點,find_next_sibling() 只返回符合條件的後面的第一個tag節點
（5）find_previous_siblings() find_previous_sibling()

這2個方法經過 .previous_siblings 屬性對當前 tag 的前面解析的兄弟 tag 節點進行迭代, find_previous_siblings() 方法返回全部符合條件的前面的兄弟節點, find_previous_sibling() 方法返回第一個符合條件的前面的兄弟節點
（6）find_all_next() find_next()

這2個方法經過 .next_elements 屬性對當前 tag 的以後的 tag 和字符串進行迭代, find_all_next() 方法返回全部符合條件的節點, find_next() 方法返回第一個符合條件的節點
（7）find_all_previous() 和 find_previous()

這2個方法經過 .previous_elements 屬性對當前節點前面的 tag 和字符串進行迭代, find_all_previous() 方法返回全部符合條件的節點, find_previous()方法返回第一個符合條件的節點

    注：以上（2）（3）（4）（5）（6）（7）方法參數用法與 find_all() 徹底相同，原理均相似，在此再也不贅述。

8.CSS選擇器

咱們在寫 CSS 時，標籤名不加任何修飾，類名前加點，id名前加 #，在這裏咱們也能夠利用相似的方法來篩選元素，用到的方法是 soup.select()，返回類型是 list
（1）經過標籤名查找
 

?

1

2

3

4

5

6

7

8

print soup.select('title')

#[<title>The Dormouse's story</title>]

  

print soup.select('a')

#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

  

print soup.select('b')

#[<b>The Dormouse's story</b>]

（2）經過類名查找
 

?

1

2

print soup.select('.sister')

#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

（3）經過 id 名查找
 

?

1

2

print soup.select('#link1')

#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

（4）組合查找

組合查找即和寫 class 文件時，標籤名與類名、id名進行的組合原理是同樣的，例如查找 p 標籤中，id 等於 link1的內容，兩者須要用空格分開
 

?

1

2

print soup.select('p #link1')

#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

直接子標籤查找
 

?

1

2

print soup.select("head > title")

#[<title>The Dormouse's story</title>]

（5）屬性查找

查找時還能夠加入屬性元素，屬性須要用中括號括起來，注意屬性和標籤屬於同一節點，因此中間不能加空格，不然會沒法匹配到。
 

?

1

2

3

4

5

print soup.select("head > title")

#[<title>The Dormouse's story</title>]

  

print soup.select('a[href="http://example.com/elsie"]')

#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

一樣，屬性仍然能夠與上述查找方式組合，不在同一節點的空格隔開，同一節點的不加空格
 

?

1

2

print soup.select('p a[href="http://example.com/elsie"]')

#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

好，這就是另外一種與 find_all 方法有殊途同歸之妙的查找方法，是否是感受很方便？
總結

本篇內容比較多，把 Beautiful Soup 的方法進行了大部分整理和總結，不過這還不算徹底，仍然有 Beautiful Soup 的修改刪除功能，不過這些功能用得比較少，只整理了查找提取的方法，但願對你們有幫助！小夥伴們加油！

熟練掌握了 Beautiful Soup，必定會給你帶來太多方便，加油吧！

相關文章
相關標籤/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程