BeautifulSoup 教程¶

BeautifulSoup 教程 是 BeautifulSoup Python 库的入门教程。这些示例查找标签，遍历文档树，修改文档和刮取网页。

BeautifulSoup¶

BeautifulSoup 是用于解析 HTML 和 XML 文档的 Python 库。它通常用于网页抓取。 BeautifulSoup 将复杂的 HTML 文档转换为复杂的 Python 对象树，例如标记，可导航字符串或注释。

安装 BeautifulSoup¶

我们使用pip3命令安装必要的模块。

1	`$ sudo pip3 install lxml`

我们需要安装 BeautifulSoup 使用的lxml模块。

1	`$ sudo pip3 install bs4`

上面的命令将安装 BeautifulSoup。

HTML 文件¶

在示例中，我们将使用以下 HTML 文件：

index.html

<!DOCTYPE html>
<html>
    <head>
        <title>Header</title>
        <meta charset="utf-8">                   
    </head>

    <body>
        <h2>Operating systems</h2>

        <ul id="mylist" style="width:150px">
            <li>Solaris</li>
            <li>FreeBSD</li>
            <li>Debian</li>                      
            <li>NetBSD</li>           
            <li>Windows</li>         
        </ul>

        <p>
          FreeBSD is an advanced computer operating system used to 
          power modern servers, desktops, and embedded platforms.
        </p>

        <p>
          Debian is a Unix-like computer operating system that is 
          composed entirely of free software.
        </p>        

    </body>    
</html>

BeautifulSoup 简单示例¶

在第一个示例中，我们使用 BeautifulSoup 模块获取三个标签。

simple.py

#!/usr/bin/python3

from bs4 import BeautifulSoup

with open("index.html", "r") as f:

    contents = f.read()

    soup = BeautifulSoup(contents, 'lxml')

    print(soup.h2)
    print(soup.head)
    print(soup.li)

该代码示例将打印三个标签的 HTML 代码。

1	`from bs4 import BeautifulSoup`

我们从bs4模块导入BeautifulSoup类。 BeautifulSoup是从事工作的主要班级。

1
2
3

with open("index.html", "r") as f:

    contents = f.read()

我们打开index.html文件并使用read()方法读取其内容。

1	`soup = BeautifulSoup(contents, 'lxml')`

创建了BeautifulSoup对象； HTML 数据将传递给构造函数。第二个选项指定解析器。

1 2	`print(soup.h2) print(soup.head)`

在这里，我们打印两个标签的 HTML 代码：h2和head。

1	`print(soup.li)`

有多个li元素；该行打印第一个。

$ ./simple.py 
<h2>Operating systems</h2>
<head>
<title>Header</title>
<meta charset="utf-8"/>
</head>
<li>Solaris</li>

这是输出。

BeautifulSoup 标签，名称，文本¶

标记的name属性给出其名称，text属性给出其文本内容。

tags_names.py

#!/usr/bin/python3

from bs4 import BeautifulSoup

with open("index.html", "r") as f:

    contents = f.read()

    soup = BeautifulSoup(contents, 'lxml')

    print("HTML: {0}, name: {1}, text: {2}".format(soup.h2, 
        soup.h2.name, soup.h2.text))

该代码示例打印h2标签的 HTML 代码，名称和文本。

1 2	`$ ./tags_names.py HTML: <h2>Operating systems</h2>, name: h2, text: Operating systems`

这是输出。

BeautifulSoup 遍历标签¶

使用recursiveChildGenerator()方法，我们遍历 HTML 文档。

traverse_tree.py

#!/usr/bin/python3

from bs4 import BeautifulSoup

with open("index.html", "r") as f:

    contents = f.read()

    soup = BeautifulSoup(contents, 'lxml')

    for child in soup.recursiveChildGenerator():

        if child.name:

            print(child.name)

该示例遍历文档树并打印所有 HTML 标记的名称。

$ ./traverse_tree.py 
html
head
title
meta
body
h2
ul
li
li
li
li
li
p
p

在 HTML 文档中，我们有这些标签。

BeautifulSoup 子元素¶

使用children属性，我们可以获取标签的子级。

get_children.py

#!/usr/bin/python3

from bs4 import BeautifulSoup

with open("index.html", "r") as f:

    contents = f.read()

    soup = BeautifulSoup(contents, 'lxml')

    root = soup.html

    root_childs = [e.name for e in root.children if e.name is not None]
    print(root_childs)

该示例检索html标记的子代，将它们放置在 Python 列表中，然后将其打印到控制台。由于children属性还返回标签之间的空格，因此我们添加了一个条件，使其仅包含标签名称。

1 2	`$ ./get_children.py ['head', 'body']`

html标签有两个子元素：head和body。

BeautifulSoup 后继元素¶

使用descendants属性，我们可以获得标签的所有后代（所有级别的子级）。

get_descendants.py

#!/usr/bin/python3

from bs4 import BeautifulSoup

with open("index.html", "r") as f:

    contents = f.read()

    soup = BeautifulSoup(contents, 'lxml')

    root = soup.body

    root_childs = [e.name for e in root.descendants if e.name is not None]
    print(root_childs)

该示例检索body标记的所有后代。

1 2	`$ ./get_descendants.py ['h2', 'ul', 'li', 'li', 'li', 'li', 'li', 'p', 'p']`

这些都是body标签的后代。

BeautifulSoup 网页抓取¶

请求是一个简单的 Python HTTP 库。它提供了通过 HTTP 访问 Web 资源的方法。

scraping.py

#!/usr/bin/python3

from bs4 import BeautifulSoup
import requests as req

resp = req.get("http://www.something.com")

soup = BeautifulSoup(resp.text, 'lxml')

print(soup.title)
print(soup.title.text)
print(soup.title.parent)

该示例检索一个简单网页的标题。它还打印其父级。

1
2
3

resp = req.get("http://www.something.com")

soup = BeautifulSoup(resp.text, 'lxml')

我们获取页面的 HTML 数据。

1
2
3

print(soup.title)
print(soup.title.text)
print(soup.title.parent)

我们检索标题的 HTML 代码，其文本以及其父级的 HTML 代码。

$ ./scraping.py 
<title>Something.</title>
Something.
<head><title>Something.</title></head>

这是输出。

BeautifulSoup 美化代码¶

使用prettify()方法，我们可以使 HTML 代码看起来更好。

prettify.py

#!/usr/bin/python3

from bs4 import BeautifulSoup
import requests as req

resp = req.get("http://www.something.com")

soup = BeautifulSoup(resp.text, 'lxml')

print(soup.prettify())

我们美化了一个简单网页的 HTML 代码。

$ ./prettify.py 
<html>
 <head>
  <title>
   Something.
  </title>
 </head>
 <body>
  Something.
 </body>
</html>

这是输出。

BeautifulSoup 通过 ID 查找元素¶

使用find()方法，我们可以通过各种方式（包括元素 ID）查找元素。

find_by_id.py

#!/usr/bin/python3

from bs4 import BeautifulSoup

with open("index.html", "r") as f:

    contents = f.read()

    soup = BeautifulSoup(contents, 'lxml')

    #print(soup.find("ul", attrs={ "id" : "mylist"}))
    print(soup.find("ul", id="mylist"))

该代码示例查找具有mylist ID 的ul标签。带注释的行是执行相同任务的另一种方法。

BeautifulSoup 查找所有标签¶

使用find_all()方法，我们可以找到满足某些条件的所有元素。

find_all.py

#!/usr/bin/python3

from bs4 import BeautifulSoup

with open("index.html", "r") as f:

    contents = f.read()

    soup = BeautifulSoup(contents, 'lxml')

    for tag in soup.find_all("li"):
        print("{0}: {1}".format(tag.name, tag.text))

该代码示例查找并打印所有li标签。

$ ./find_all.py 
li: Solaris
li: FreeBSD
li: Debian
li: NetBSD

这是输出。

find_all()方法可以获取要搜索的元素列表。

find_all2.py

#!/usr/bin/python3

from bs4 import BeautifulSoup

with open("index.html", "r") as f:

    contents = f.read()

    soup = BeautifulSoup(contents, 'lxml')

    tags = soup.find_all(['h2', 'p'])

    for tag in tags:
        print(" ".join(tag.text.split()))

该示例查找所有h2和p元素并打印其文本。

find_all()方法还可以使用一个函数，该函数确定应返回哪些元素。

find_by_fun.py

#!/usr/bin/python3

from bs4 import BeautifulSoup

def myfun(tag):

    return tag.is_empty_element

with open("index.html", "r") as f:

    contents = f.read()

    soup = BeautifulSoup(contents, 'lxml')

    tags = soup.find_all(myfun)
    print(tags)

该示例打印空元素。

1 2	`$ ./find_by_fun.py [<meta charset="utf-8"/>]`

文档中唯一的空元素是meta。

也可以使用正则表达式查找元素。

regex.py

#!/usr/bin/python3

import re

from bs4 import BeautifulSoup

with open("index.html", "r") as f:

    contents = f.read()

    soup = BeautifulSoup(contents, 'lxml')

    strings = soup.find_all(string=re.compile('BSD'))

    for txt in strings:

        print(" ".join(txt.split()))

该示例打印包含“ BSD”字符串的元素的内容。

$ ./regex.py 
FreeBSD
NetBSD
FreeBSD is an advanced computer operating system used to power modern servers, desktops, and embedded platforms.

这是输出。

BeautifulSoup CSS 选择器¶

通过select()和select_one()方法，我们可以使用一些 CSS 选择器来查找元素。

select_nth_tag.py

#!/usr/bin/python3

from bs4 import BeautifulSoup

with open("index.html", "r") as f:

    contents = f.read()

    soup = BeautifulSoup(contents, 'lxml')

    print(soup.select("li:nth-of-type(3)"))

本示例使用 CSS 选择器来打印第三个li元素的 HTML 代码。

1 2	`$ ./select_nth_tag.py <li>Debian</li>`

这是第三个li元素。

CSS 中使用# 字符通过 ID 属性选择标签。

select_by_id.py

#!/usr/bin/python3

from bs4 import BeautifulSoup

with open("index.html", "r") as f:

    contents = f.read()

    soup = BeautifulSoup(contents, 'lxml')

    print(soup.select_one("#mylist"))

该示例打印具有mylist ID 的元素。

BeautifulSoup 追加元素¶

append()方法将新标签附加到 HTML 文档。

append_tag.py

#!/usr/bin/python3

from bs4 import BeautifulSoup

with open("index.html", "r") as f:

    contents = f.read()

    soup = BeautifulSoup(contents, 'lxml')

    newtag = soup.new_tag('li')
    newtag.string='OpenBSD'

    ultag = soup.ul

    ultag.append(newtag)

    print(ultag.prettify())

该示例附加了一个新的li标签。

1 2	`newtag = soup.new_tag('li') newtag.string='OpenBSD'`

首先，我们使用new_tag()方法创建一个新标签。

1	`ultag = soup.ul`

我们获得对ul标签的引用。

1	`ultag.append(newtag)`

我们将新创建的标签附加到ul标签。

1	`print(ultag.prettify())`

我们以整齐的格式打印ul标签。

BeautifulSoup 插入元素¶

insert()方法在指定位置插入标签。

insert_tag.py

#!/usr/bin/python3

from bs4 import BeautifulSoup

with open("index.html", "r") as f:

    contents = f.read()

    soup = BeautifulSoup(contents, 'lxml')

    newtag = soup.new_tag('li')
    newtag.string='OpenBSD'

    ultag = soup.ul

    ultag.insert(2, newtag)

    print(ultag.prettify())

该示例将第三个位置的li标签插入ul标签。

BeautifulSoup 替换文字¶

replace_with()替换元素的文本。

replace_text.py

#!/usr/bin/python3

from bs4 import BeautifulSoup

with open("index.html", "r") as f:

    contents = f.read()

    soup = BeautifulSoup(contents, 'lxml')

    tag = soup.find(text="Windows")
    tag.replace_with("OpenBSD")

    print(soup.ul.prettify())

该示例使用find()方法查找特定元素，并使用replace_with()方法替换其内容。

BeautifulSoup 删除元素¶

decompose()方法从树中删除标签并销毁它。

decompose_tag.py

#!/usr/bin/python3

from bs4 import BeautifulSoup

with open("index.html", "r") as f:

    contents = f.read()

    soup = BeautifulSoup(contents, 'lxml')

    ptag2 = soup.select_one("p:nth-of-type(2)")

    ptag2.decompose()

    print(soup.body.prettify())

该示例删除了第二个p元素。

在本教程中，我们使用了 Python BeautifulSoup 库。