BeautifulSoup笔记

BeautifulSoup笔记

from bs4 import BeautifulSoup
html = '....'
soup = BeautifulSoup(html, 'lxml')

格式化输出

print soup.prettify()

Tag类型

输出html中的标签，它查找的是在所有内容中的第一个符合要求的标签

soup.head
soup.input

1. 属性

a) name

print soup.head.name
print soup.input.name

b) attrs

打印指定标签的所有属性，得到的类型是一个字典

print soup.input.attrs
# {'type': 'hidden', 'value': 'jining'}

访问某个属性的值，可以使用下面的几种方法

soup.input['type']
soup.input.get('type')
soup.input.attrs['type']
soup.input.attrs.get('type')

修改属性

soup.input['type']='temp'

删除属性

del soup.input['type']

c) contents

将子节点存储为列表

print soup.head.contents
#[<title>The Dormouse's story</title>]

用列表索引来获取它的某一个元素

print soup.head.contents[0]

d) children

将子节点存储为list列表生成器，用于for in循环遍历

for child in  soup.body.children:
print child

e) descendants

递归遍历所有子孙节点

f) string

见NavigableString类型

g) strings

获取所有Tag的内容，使用for in 遍历读取

for string in soup.strings:
print(repr(string))

h) stripped_strings

去除了多个空格和空行的strings

i) parent

父节点

Tag的父节点是上一个节点

string的父节点是本节点

j) parents

递归所有父节点，使用for in 遍历读取

k) next_sibling previous_sibling

next_sibling 下一个兄弟节点

previous_sibling 上一个兄弟节点

如果没有兄弟节点，返回None

因为空白或换行也被视为一个节点，所以经常会获取到字符串或空白

l) next_siblings previous_siblings

全部兄弟节点

m) next_element previous_element

前后节点，视觉上的前后，不分层次

n) next_elements previous_elements

所有前后节点

2. 方法

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

搜索当前tag的所有子孙节点

1) name

i. 传字符串

print soup.find_all('a')

ii. 传正则

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

iii. 传列表

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

iv. 传True

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

v. 传方法

def has_class_but_no_id(tag):
return tag.has_attr('class') and not tag.has_attr('id')
soup.find_all(has_class_but_no_id)

2) attrs

如果一个指定名字的参数不是搜索内置的参数名,搜索时会把该参数当作指定名字tag的属性来搜索,如果包含一个名字为 id 的参数,Beautiful Soup会搜索每个tag的”id”属性

soup.find_all(id='link2')
soup.find_all(href=re.compile("elsie"))
soup.find_all(href=re.compile("elsie"), id='link1')

class属性后面加下划线

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

特殊的属性，使用attrs参数

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

3) text

通过 text 参数可以搜搜文档中的字符串内容。与 name 参数的可选值一样, text 参数接受 字符串 , 正则表达式 , 列表, True

如果通过这个搜索到节点，那么搜到的节点是内容，而不是标签

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

限制返回结果的数量

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

5) recursive

如果只搜索子节点，recursive=False

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

它与 find_all() 方法唯一的区别是 find_all() 方法的返回结果是值包含一个元素的列表,而 find() 方法直接返回结果

c) find_parents() find_parent()

find_all() 和 find() 只搜索当前节点的所有子节点,孙子节点等. find_parents() 和 find_parent() 用来搜索当前节点的父辈节点,搜索方法与普通tag的搜索方法相同,搜索文档搜索文档包含的内容

d) find_next_siblings() find_next_sibling()

这2个方法通过 .next_siblings 属性对当 tag 的所有后面解析的兄弟 tag 节点进行迭代, find_next_siblings() 方法返回所有符合条件的后面的兄弟节点,find_next_sibling() 只返回符合条件的后面的第一个tag节点

e) find_previous_siblings() find_previous_sibling()

这2个方法通过 .previous_siblings 属性对当前 tag 的前面解析的兄弟 tag 节点进行迭代, find_previous_siblings() 方法返回所有符合条件的前面的兄弟节点, find_previous_sibling() 方法返回第一个符合条件的前面的兄弟节点

f) find_all_next() find_next()

这2个方法通过 .next_elements 属性对当前 tag 的之后的 tag 和字符串进行迭代, find_all_next() 方法返回所有符合条件的节点, find_next() 方法返回第一个符合条件的节点

g) find_all_previous() 和 find_previous()

这2个方法通过 .previous_elements 属性对当前节点前面的 tag 和字符串进行迭代, find_all_previous() 方法返回所有符合条件的节点, find_previous()方法返回第一个符合条件的节点

h) select()

i. 标签名

print soup.select('title')
#[<title>The Dormouse's story</title>]

ii. 类名

print soup.select('.sister')

iii. id

print soup.select('#link1')

iv. 组合

print soup.select('p #link1')

v. 属性

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

i) get_text()

获取内容，同string属性

NavigableString类型

输出标签的内容

print soup.title.string

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

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

BeautifulSoup类型

表示的是一个文档的全部内容，可以把它当作 Tag 对象

print type(soup)

Comment类型

当标签的内容被注释了的话，那么就是这个类型

<p><!-- 这里是注释内容 --></p>
print type(soup.p.string)