摘要：如果一個(gè)僅有一個(gè)子節(jié)點(diǎn)那么這個(gè)也可以使用方法輸出結(jié)果與當(dāng)前唯一子節(jié)點(diǎn)的結(jié)果相同。如果標(biāo)簽里面只有唯一的一個(gè)標(biāo)簽了，那么也會(huì)返回最里面的內(nèi)容。

文章來(lái)源[Python爬蟲利器二之Beautiful Soup的用法 | 靜覓](http://cuiqingcai.com/1319.html

首先必須要導(dǎo)入 bs4 庫(kù)

from bs4 import BeautifulSoup
from bs4 import BeautifulSoup

我們創(chuàng)建一個(gè)字符串，后面的例子我們便會(huì)用它來(lái)演示

Python

html = """   
The Dormouse"s story
 
Once upon a time there were three little sisters; and their names were , Lacie and Tillie; and they lived at the bottom of a well.
 
...
 """

創(chuàng)建 beautifulsoup 對(duì)象

soup = BeautifulSoup(html, "lxml")

另外，我們還可以用本地 HTML 文件來(lái)創(chuàng)建對(duì)象，例如

soup = BeautifulSoup(open("index.html"), "lxml")

上面這句代碼便是將本地 index.html 文件打開，用它來(lái)創(chuàng)建 soup 對(duì)象
下面我們來(lái)打印一下 soup 對(duì)象的內(nèi)容，格式化輸出

print soup.prettify()

     
  The Dormouse"s story  
 
 Once upon a time there were three little sisters; and their names were    ,  Lacie  and  Tillie  ; and they lived at the bottom of a well. 
 
 ... 
  

以上便是輸出結(jié)果，格式化打印出了它的內(nèi)容，這個(gè)函數(shù)經(jīng)常用到，小伙伴們要記好咯。

Beautiful Soup將復(fù)雜HTML文檔轉(zhuǎn)換成一個(gè)復(fù)雜的樹形結(jié)構(gòu),每個(gè)節(jié)點(diǎn)都是Python對(duì)象,所有對(duì)象可以歸納為4種:

Tag

NavigableString

BeautifulSoup

Comment

下面我們進(jìn)行一一介紹

Tag 是什么？通俗點(diǎn)講就是 HTML 中的一個(gè)個(gè)標(biāo)簽，例如

Elsie

上面的 title a 等等 HTML 標(biāo)簽加上里面包括的內(nèi)容就是 Tag，下面我們來(lái)感受一下怎樣用 Beautiful Soup 來(lái)方便地獲取 Tags

下面每一段代碼中注釋部分即為運(yùn)行結(jié)果

print soup.title
# 

print soup.title
 # 

print soup.head
# 

print soup.head
 # 

print soup.a 
# 

print soup.a
 # 

print soup.p 
# 
The Dormouse"s story

print soup.p
 # 
The Dormouse"s story

我們可以利用 soup加標(biāo)簽名輕松地獲取這些標(biāo)簽的內(nèi)容，是不是感覺比正則表達(dá)式方便多了？不過有一點(diǎn)是，它查找的是在所有內(nèi)容中的第一個(gè)符合要求的標(biāo)簽，如果要查詢所有的標(biāo)簽，我們?cè)诤竺孢M(jìn)行介紹。

我們可以驗(yàn)證一下這些對(duì)象的類型

print type(soup.a) # 

print type(soup.a)
 # 

對(duì)于 Tag，它有兩個(gè)重要的屬性，是 name 和 attrs，下面我們分別來(lái)感受一下

name

print soup.name
print soup.head.name
 # [document]
 # head

soup 對(duì)象本身比較特殊，它的 name 即為 [document]，對(duì)于其他內(nèi)部標(biāo)簽，輸出的值便為標(biāo)簽本身的名稱。

attrs

print soup.p.attrs 
# {"class": ["title"], "name": "dromouse"}
print soup.p.attrs
# {"class": ["title"], "name": "dromouse"}

在這里，我們把 p 標(biāo)簽的所有屬性打印輸出了出來(lái)，得到的類型是一個(gè)字典。
如果我們想要多帶帶獲取某個(gè)屬性，可以這樣，例如我們獲取它的 class 叫什么

print soup.p["class"]
# ["title"]
print soup.p["class"]
# ["title"]

還可以這樣，利用get方法，傳入屬性的名稱，二者是等價(jià)的

print soup.p.get("class") 
# ["title"]
print soup.p.get("class")
# ["title"]

我們可以對(duì)這些屬性和內(nèi)容等等進(jìn)行修改，例如

soup.p["class"]="newClass"
print soup.p
 # 
The Dormouse"s story

還可以對(duì)這個(gè)屬性進(jìn)行刪除，例如

del soup.p["class"]
print soup.p
 # 
The Dormouse"s story

不過，對(duì)于修改刪除的操作，不是我們的主要用途，在此不做詳細(xì)介紹了，如果有需要，請(qǐng)查看前面提供的官方文檔

既然我們已經(jīng)得到了標(biāo)簽的內(nèi)容，那么問題來(lái)了，我們要想獲取標(biāo)簽內(nèi)部的文字怎么辦呢？很簡(jiǎn)單，用 .string 即可，例如

print soup.p.string
# The Dormouse"s story

這樣我們就輕松獲取到了標(biāo)簽里面的內(nèi)容，想想如果用正則表達(dá)式要多麻煩。它的類型是一個(gè)?NavigableString，翻譯過來(lái)叫 可以遍歷的字符串，不過我們最好還是稱它英文名字吧。

來(lái)檢查一下它的類型

print type(soup.p.string)
# 

BeautifulSoup 對(duì)象表示的是一個(gè)文檔的全部?jī)?nèi)容.大部分時(shí)候,可以把它當(dāng)作 Tag 對(duì)象，是一個(gè)特殊的 Tag，我們可以分別獲取它的類型，名稱，以及屬性來(lái)感受一下

print type(soup.name)
 # 
print soup.name
 # [document]
print soup.attrs
 # {} 空字典

Comment 對(duì)象是一個(gè)特殊類型的 NavigableString 對(duì)象，其實(shí)輸出的內(nèi)容仍然不包括注釋符號(hào)，但是如果不好好處理它，可能會(huì)對(duì)我們的文本處理造成意想不到的麻煩。

我們找一個(gè)帶注釋的標(biāo)簽

print soup.a
print soup.a.string
print type(soup.a.string)

運(yùn)行結(jié)果如下

Elsie

a 標(biāo)簽里的內(nèi)容實(shí)際上是注釋，但是如果我們利用 .string 來(lái)輸出它的內(nèi)容，我們發(fā)現(xiàn)它已經(jīng)把注釋符號(hào)去掉了，所以這可能會(huì)給我們帶來(lái)不必要的麻煩。

另外我們打印輸出下它的類型，發(fā)現(xiàn)它是一個(gè) Comment 類型，所以，我們?cè)谑褂们白詈米鲆幌屡袛啵袛啻a如下

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

上面的代碼中，我們首先判斷了它的類型，是否為 Comment 類型，然后再進(jìn)行其他操作，如打印輸出。

要點(diǎn)：.contents ?.children ? 屬性

.contents

tag 的 .content?屬性可以將tag的子節(jié)點(diǎn)以列表的方式輸出

print soup.head.contents
 # []

輸出方式為列表，我們可以用列表索引來(lái)獲取它的某一個(gè)元素

print soup.head.contents[0]
 # 

.children

它返回的不是一個(gè) list，不過我們可以通過遍歷獲取所有子節(jié)點(diǎn)。

我們打印輸出 .children 看一下，可以發(fā)現(xiàn)它是一個(gè) list 生成器對(duì)象

print soup.head.children
 # 

我們?cè)鯓荧@得里面的內(nèi)容呢？很簡(jiǎn)單，遍歷一下就好了，代碼及結(jié)果如下

for child in soup.body.children:
print child

The Dormouse"s story
Once upon a time there were three little sisters; and their names were
,
Lacie and

知識(shí)點(diǎn)：.descendants 屬性

.descendants

.contents 和 .children 屬性僅包含tag的直接子節(jié)點(diǎn)，.descendants 屬性可以對(duì)所有tag的子孫節(jié)點(diǎn)進(jìn)行遞歸循環(huán)，和 children類似，我們也需要遍歷獲取其中的內(nèi)容。

for child in soup.descendants:
print child

運(yùn)行結(jié)果如下，可以發(fā)現(xiàn)，所有的節(jié)點(diǎn)都被打印出來(lái)了，先生最外層的 HTML標(biāo)簽，其次從 head 標(biāo)簽一個(gè)個(gè)剝離，以此類推。

The Dormouse"s story
Once upon a time there were three little sisters; and their names were
,

知識(shí)點(diǎn)：.string 屬性

如果tag只有一個(gè) NavigableString 類型子節(jié)點(diǎn),那么這個(gè)tag可以使用 .string 得到子節(jié)點(diǎn)。如果一個(gè)tag僅有一個(gè)子節(jié)點(diǎn),那么這個(gè)tag也可以使用 .string 方法,輸出結(jié)果與當(dāng)前唯一子節(jié)點(diǎn)的 .string 結(jié)果相同。

通俗點(diǎn)說(shuō)就是：如果一個(gè)標(biāo)簽里面沒有標(biāo)簽了，那么 .string 就會(huì)返回標(biāo)簽里面的內(nèi)容。如果標(biāo)簽里面只有唯一的一個(gè)標(biāo)簽了，那么 .string 也會(huì)返回最里面的內(nèi)容。例如

print soup.head.string
 # The Dormouse"s story
print soup.title.string
 # The Dormouse"s story

如果tag包含了多個(gè)子節(jié)點(diǎn),tag就無(wú)法確定，string?方法應(yīng)該調(diào)用哪個(gè)子節(jié)點(diǎn)的內(nèi)容, .string?的輸出結(jié)果是 None

print soup.html.string
 # None

知識(shí)點(diǎn)： .strings ?.stripped_strings 屬性

.strings

獲取多個(gè)內(nèi)容，不過需要遍歷獲取，比如下面的例子

for string in soup.strings:
    print(repr(string))
    # u"The Dormouse"s story"
    # u"

"
    # u"The Dormouse"s story"
    # u"

"
    # u"Once upon a time there were three little sisters; and their names were
"
    # u"Elsie"
    # u",
"
    # u"Lacie"
    # u" and
"
    # u"Tillie"
    # u";
and they lived at the bottom of a well."
    # u"

"
    # u"..."
    # u"
"

.stripped_strings

輸出的字符串中可能包含了很多空格或空行,使用 .stripped_strings 可以去除多余空白內(nèi)容

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

知識(shí)點(diǎn)： .parent 屬性

p = soup.p
print p.parent.name
#body

content = soup.head.title.string
print content.parent.name
 # title

知識(shí)點(diǎn)：.parents 屬性

通過元素的 .parents 屬性可以遞歸得到元素的所有父輩節(jié)點(diǎn)，例如

content = soup.head.title.string
for parent in  content.parents:
    print parent.name

title
head
html
[document]

知識(shí)點(diǎn)：.next_sibling ?.previous_sibling 屬性

兄弟節(jié)點(diǎn)可以理解為和本節(jié)點(diǎn)處在統(tǒng)一級(jí)的節(jié)點(diǎn)，.next_sibling 屬性獲取了該節(jié)點(diǎn)的下一個(gè)兄弟節(jié)點(diǎn)，.previous_sibling 則與之相反，如果節(jié)點(diǎn)不存在，則返回 None

注意：實(shí)際文檔中的tag的 .next_sibling 和 .previous_sibling 屬性通常是字符串或空白，因?yàn)榭瞻谆蛘邠Q行也可以被視作一個(gè)節(jié)點(diǎn)，所以得到的結(jié)果可能是空白或者換行

print soup.p.next_sibling
#       實(shí)際該處為空白
print soup.p.prev_sibling
#None   沒有前一個(gè)兄弟節(jié)點(diǎn)，返回 None
print soup.p.next_sibling.next_sibling
#
Once upon a time there were three little sisters; and their names were
#,
#Lacie and
#Tillie;
#and they lived at the bottom of a well.
#下一個(gè)節(jié)點(diǎn)的下一個(gè)兄弟節(jié)點(diǎn)是我們可以看到的節(jié)點(diǎn)

知識(shí)點(diǎn)：.next_siblings ?.previous_siblings 屬性

通過 .next_siblings 和 .previous_siblings 屬性可以對(duì)當(dāng)前節(jié)點(diǎn)的兄弟節(jié)點(diǎn)迭代輸出

for sibling in soup.a.next_siblings:
    print(repr(sibling))
    # u",
"
    # Lacie
    # u" and
"
    # Tillie
    # u"; and they lived at the bottom of a well."
    # None

知識(shí)點(diǎn)：.next_element ?.previous_element 屬性

與?.next_sibling ?.previous_sibling 不同，它并不是針對(duì)于兄弟節(jié)點(diǎn)，而是在所有節(jié)點(diǎn)，不分層次

比如 head 節(jié)點(diǎn)為

那么它的下一個(gè)節(jié)點(diǎn)便是 title，它是不分層次關(guān)系的

print soup.head.next_element
 # 

知識(shí)點(diǎn)：.next_elements ?.previous_elements 屬性

通過 .next_elements 和 .previous_elements 的迭代器就可以向前或向后訪問文檔的解析內(nèi)容,就好像文檔正在被解析一樣

for element in last_a_tag.next_elements:
    print(repr(element))
# u"Tillie"
# u";
and they lived at the bottom of a well."
# u"

"
# 
...
# u"..."
# u"
"
# None

以上是遍歷文檔樹的基本用法。

find_all() 方法搜索當(dāng)前tag的所有tag子節(jié)點(diǎn),并判斷是否符合過濾器的條件

1）name 參數(shù)

name 參數(shù)可以查找所有名字為 name 的tag,字符串對(duì)象會(huì)被自動(dòng)忽略掉

A.傳字符串

最簡(jiǎn)單的過濾器是字符串.在搜索方法中傳入一個(gè)字符串參數(shù),Beautiful Soup會(huì)查找與字符串完整匹配的內(nèi)容,下面的例子用于查找文檔中所有的標(biāo)簽

soup.find_all("b")
 # [The Dormouse"s story]

print soup.find_all("a")
 # [, Lacie, Tillie]

B.傳正則表達(dá)式

如果傳入正則表達(dá)式作為參數(shù),Beautiful Soup會(huì)通過正則表達(dá)式的 match() 來(lái)匹配內(nèi)容.下面例子中找出所有以b開頭的標(biāo)簽,這表示和標(biāo)簽都應(yīng)該被找到

import re
for tag in soup.find_all(re.compile("^b")):
print(tag.name)
 # body
 # b

C.傳列表

如果傳入列表參數(shù),Beautiful Soup會(huì)將與列表中任一元素匹配的內(nèi)容返回.下面代碼找到文檔中所有標(biāo)簽和標(biāo)簽

soup.find_all(["a", "b"])
 # [The Dormouse"s story,
 # ??Elsie,
 # ??Lacie,
 # ??Tillie]

D.傳 True

True 可以匹配任何值,下面代碼查找到所有的tag,但是不會(huì)返回字符串節(jié)點(diǎn)

for tag in soup.find_all(True):
    print(tag.name)
# html
# head
# title
# body
# p
# b
# p
# a
# a

E.傳方法

如果沒有合適過濾器,那么還可以定義一個(gè)方法,方法只接受一個(gè)元素參數(shù) [[4]](http://www.crummy.com/softwar... ,如果這個(gè)方法返回 True 表示當(dāng)前元素匹配并且被找到,如果不是則反回 False

下面方法校驗(yàn)了當(dāng)前元素,如果包含 class 屬性卻不包含 id 屬性,那么將返回True:

def has_class_but_no_id(tag):
return tag.has_attr("class") and not tag.has_attr("id")

將這個(gè)方法作為參數(shù)傳入 find_all() 方法,將得到所有

標(biāo)簽:

soup.find_all(has_class_but_no_id)
 # [
The Dormouse"s story
,
 # ??
Once upon a time there were...
,
 # ??
...
]

2）keyword 參數(shù)

注意：如果一個(gè)指定名字的參數(shù)不是搜索內(nèi)置的參數(shù)名,搜索時(shí)會(huì)把該參數(shù)當(dāng)作指定名字tag的屬性來(lái)搜索,如果包含一個(gè)名字為 id 的參數(shù),Beautiful Soup會(huì)搜索每個(gè)tag的”id”屬性

soup.find_all(id="link2")
 # [Lacie]

如果傳入 href 參數(shù),Beautiful Soup會(huì)搜索每個(gè)tag的”href”屬性

soup.find_all(href=re.compile("elsie"))
 # [Elsie]

使用多個(gè)指定名字的參數(shù)可以同時(shí)過濾tag的多個(gè)屬性

soup.find_all(href=re.compile("elsie"), id="link1")
 # [three]

在這里我們想用 class 過濾，不過 class 是 python 的關(guān)鍵詞，這怎么辦？加個(gè)下劃線就可以

soup.find_all("a", class_="sister")
 # [Elsie,
 # ??Lacie,
 # ??Tillie]

有些tag屬性在搜索不能使用,比如HTML5中的 data-* 屬性

data_soup = BeautifulSoup("
foo!
")
data_soup.find_all(data-foo="value")
 # SyntaxError: keyword can"t be an expression

但是可以通過 find_all() 方法的 attrs 參數(shù)定義一個(gè)字典參數(shù)來(lái)搜索包含特殊屬性的tag

data_soup.find_all(attrs={"data-foo": "value"})
 # [
foo!
]

3）text 參數(shù)

通過 text 參數(shù)可以搜搜文檔中的字符串內(nèi)容.與 name 參數(shù)的可選值一樣, text 參數(shù)接受 字符串 , 正則表達(dá)式 , 列表, True

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(shù)

find_all() 方法返回全部的搜索結(jié)構(gòu),如果文檔樹很大那么搜索會(huì)很慢.如果我們不需要全部結(jié)果,可以使用 limit 參數(shù)限制返回結(jié)果的數(shù)量.效果與SQL中的limit關(guān)鍵字類似,當(dāng)搜索到的結(jié)果數(shù)量達(dá)到 limit 的限制時(shí),就停止搜索返回結(jié)果.

文檔樹中有3個(gè)tag符合搜索條件,但結(jié)果只返回了2個(gè),因?yàn)槲覀兿拗屏朔祷財(cái)?shù)量

soup.find_all("a", limit=2)
 # [Elsie,
 # ??Lacie]

5）recursive 參數(shù)

調(diào)用tag的 find_all() 方法時(shí),Beautiful Soup會(huì)檢索當(dāng)前tag的所有子孫節(jié)點(diǎn),如果只想搜索tag的直接子節(jié)點(diǎn),可以使用參數(shù) recursive=False .

一段簡(jiǎn)單的文檔:

...

是否使用 recursive 參數(shù)的搜索結(jié)果:

soup.html.find_all("title")
 # []

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

它與 find_all() 方法唯一的區(qū)別是 find_all() 方法的返回結(jié)果是值包含一個(gè)元素的列表,而 find() 方法直接返回結(jié)果

find_all() 和 find() 只搜索當(dāng)前節(jié)點(diǎn)的所有子節(jié)點(diǎn),孫子節(jié)點(diǎn)等. find_parents() 和 find_parent() 用來(lái)搜索當(dāng)前節(jié)點(diǎn)的父輩節(jié)點(diǎn),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(nèi)容

這2個(gè)方法通過 .next_siblings 屬性對(duì)當(dāng) tag 的所有后面解析的兄弟 tag 節(jié)點(diǎn)進(jìn)行迭代, find_next_siblings() 方法返回所有符合條件的后面的兄弟節(jié)點(diǎn),find_next_sibling() 只返回符合條件的后面的第一個(gè)tag節(jié)點(diǎn)

這2個(gè)方法通過 .previous_siblings 屬性對(duì)當(dāng)前 tag 的前面解析的兄弟 tag 節(jié)點(diǎn)進(jìn)行迭代, find_previous_siblings() 方法返回所有符合條件的前面的兄弟節(jié)點(diǎn), find_previous_sibling() 方法返回第一個(gè)符合條件的前面的兄弟節(jié)點(diǎn)

這2個(gè)方法通過 .next_elements 屬性對(duì)當(dāng)前 tag 的之后的?tag 和字符串進(jìn)行迭代, find_all_next() 方法返回所有符合條件的節(jié)點(diǎn), find_next() 方法返回第一個(gè)符合條件的節(jié)點(diǎn)

這2個(gè)方法通過 .previous_elements 屬性對(duì)當(dāng)前節(jié)點(diǎn)前面的 tag 和字符串進(jìn)行迭代, find_all_previous() 方法返回所有符合條件的節(jié)點(diǎn), find_previous()方法返回第一個(gè)符合條件的節(jié)點(diǎn)

注：以上（2）（3）（4）（5）（6）（7）方法參數(shù)用法與 find_all() 完全相同，原理均類似，在此不再贅述。

我們?cè)趯?CSS 時(shí)，標(biāo)簽名不加任何修飾，類名前加點(diǎn)，id名前加 # ，在這里我們也可以利用類似的方法來(lái)篩選元素，用到的方法是 soup.select()， 返回類型是 list

print soup.select("title")
 # []

print soup.select("a")
 # [, Lacie, Tillie]

print soup.select("b")
 # [The Dormouse"s story]

print soup.select(".sister")
 # [, Lacie, Tillie]

print soup.select(" # link1")
 # []

組合查找即和寫 class 文件時(shí)，標(biāo)簽名與類名、id名進(jìn)行的組合原理是一樣的，例如查找 p 標(biāo)簽中，id 等于 link1的內(nèi)容，二者需要用空格分開

print soup.select("p # link1")
 # []

直接子標(biāo)簽查找

print soup.select("head > title")
 # []

查找時(shí)還可以加入屬性元素，屬性需要用中括號(hào)括起來(lái)，注意屬性和標(biāo)簽屬于同一節(jié)點(diǎn)，所以中間不能加空格，否則會(huì)無(wú)法匹配到。

print soup.select("a[class="sister"]")
 # [, Lacie, Tillie]

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

同樣，屬性仍然可以與上述查找方式組合，不在同一節(jié)點(diǎn)的空格隔開，同一節(jié)點(diǎn)的不加空格

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

以上的 select 方法返回的結(jié)果都是列表形式，可以遍歷形式輸出，然后用 get_text()?方法來(lái)獲取它的內(nèi)容。

soup = BeautifulSoup(html, "lxml")
print type(soup.select("title"))
print soup.select("title")[0].get_text()

for title in soup.select("title"):
        print title.get_text()