beautifulsoup教程
BeautifulSoup4是爬⾍必学的技能。BeautifulSoup最主要的功能是从⽹页抓取数据，Beautiful Soup⾃动将输⼊⽂档转换为Unicode编码，输出⽂档转换为utf-8编码。BeautifulSoup⽀持Python标准库中的HTML解析器，还⽀持⼀些第三⽅的解析器，如果我们不安装它，则 Python 会使⽤ Python默认的解析器，lxml 解析器更加强⼤，速度更快，推荐使⽤lxml 解析器。
⼀、BeautifulSoup4简介
BeautifulSoup4和 lxml ⼀样，Beautiful Soup 也是⼀个HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 数据。BeautifulSoup⽀持Python标准库中的HTML解析器，还⽀持⼀些第三⽅的解析器，如果我们不安装它，则 Python 会使⽤ Python默认的解析器，lxml 解析器更加强⼤，速度更快，推荐使⽤lxml 解析器。
Beautiful Soup⾃动将输⼊⽂档转换为Unicode编码，输出⽂档转换为utf-8编码。你不需要考虑编码⽅式，除⾮⽂档没有指定⼀个编码⽅式，这时，Beautiful Soup就不能⾃动识别编码⽅式了。然后，你仅仅需要说明⼀下原始编码⽅式就可以了。
⼆、BeautifulSoup4主要解析器，以及优缺点：
[外链图⽚转存失败，源站可能有防盗链机制，建议将图⽚保存下来直接上传(img-8f6XgNXi-1598587320926)
(beautifulsoup%E6%95%99%E7%A8%8B/4CD4F032-4D45-4F82-8C15-0C791A2C34CA.png)]
三、BeautifulSoup4简单使⽤
假设有这样⼀个Html，具体内容如下：
1. <!DOCTYPE html>
2. <html>
3.
4. <head>
5. <meta content="text/html;charset=utf-8" http-equiv="content-type"/>
6. <meta content="IE=Edge" http-equiv="X-UA-Compatible"/>
7. <meta content="always" name="referrer"/>
8. <link href="ss1.bdstatic/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css" rel="stylesheet" type="text/css"/>
9. <title>百度⼀下，你就知道</title>
10. </head>
11.
12. <body link="#0000cc">
13. <div id="wrapper">
14. <div id="head">
15. <div class="head_wrapper">
16. <div id="u1">
17. <a class="mnav" href="news.baidu" name="tj_trnews">新闻</a>
18. <a class="mnav" href="www.hao123" name="tj_trhao123">hao123 </a>
19. <a class="mnav" href="map.baidu" name="tj_trmap">地图</a>
20. <a class="mnav" href="v.baidu" name="tj_trvideo">视频</a>
21. <a class="mnav" href="tieba.baidu" name="tj_trtieba">贴吧</a>
22. <a class="bri" href="//www.baidu/more/" name="tj_briicon" >更多产品</a>
23. </div>
24. </div>
25. </div>
26. </div>
27. </body>
28.
29. </html>
创建beautifulsoup4对象：
1. from bs4 import BeautifulSoup
2. file = open('./aa.html', 'rb')
3. html = ad()
4. bs = BeautifulSoup(html,"html.parser") # 缩进格式
5.
6. print(bs.prettify()) # 获取title标签的所有内容
7. print(bs.title) # 获取title标签的名称
8. print(bs.title.name) # 获取title标签的⽂本内容
9. print(bs.title.string) # 获取head标签的所有内容
10. print(bs.head) # 获取第⼀个div标签中的所有内容
11. print(bs.div) # 获取第⼀个div标签的id的值
12. print(bs.div["id"]) # 获取第⼀个a标签中的所有内容
13. print(bs.a) # 获取所有的a标签中的所有内容
14. print(bs.find_all("a")) # 获取id="u1"
15. print(bs.find(id="u1")) # 获取所有的a标签，并遍历打印a标签中的href的值
16.
17. for item in bs.find_all("a"):
18. ("href")) # 获取所有的a标签，并遍历打印a标签的⽂本值
19.
20. for item in bs.find_all("a"):
21. _text())
四、BeautifulSoup4四⼤对象种类
BeautifulSoup4将复杂HTML⽂档转换成⼀个复杂的树形结构，每个节点都是Python对象，所有对象可以归纳为4种:
Tag
NavigableString
BeautifulSoup
Comment
4.1 、Tag
Tag通俗点讲就是HTML中的⼀个个标签，例如：
1. from bs4 import BeautifulSoup
2. file = open('./aa.html', 'rb')
3. html = ad()
4. bs = BeautifulSoup(html,"html.parser")
5.
6. # 获取title标签的所有内容
7. print(bs.title)
8.
9. # 获取head标签的所有内容
10. print(bs.head)
11.
12. # 获取第⼀个a标签的所有内容
13. print(bs.a)
14.
15. # 类型
16. print(type(bs.a))
我们可以利⽤ soup 加标签名轻松地获取这些标签的内容，这些对象的类型是bs4.element.Tag。但是注意，它查的是在所有内容中的第⼀个符合要求的标签。
对于 Tag，它有两个重要的属性，是 name 和 attrs：
1. from bs4 import BeautifulSoup
2. file = open('./aa.html', 'rb')
3. html = ad()
4. bs = BeautifulSoup(html,"html.parser")
5.
6. # [document] #bs 对象本⾝⽐较特殊，它的 name 即为 [document]
7. print(bs.name)
8.
9. # head #对于其他内部标签，输出的值便为标签本⾝的名称
10. print(bs.head.name)
11.
12. # 在这⾥，我们把 a 标签的所有属性打印输出了出来，得到的类型是⼀个字典。
13. print(bs.a.attrs)
14.
15. #还可以利⽤get⽅法，传⼊属性的名称，⼆者是等价的
16. print(bs.a['class']) # 等价 ('class')
17.
18. # 可以对这些属性和内容等等进⾏修改
19. bs.a['class'] = "newClass"
20. print(bs.a)
21.
22. # 还可以对这个属性进⾏删除
23. del bs.a['class']
24. print(bs.a)
4.2、NavigableString
既然我们已经得到了标签的内容，那么问题来了，我们要想获取标签内部的⽂字怎么办呢？很简单，⽤ .string 即可，例如：
1. from bs4 import BeautifulSoup
2. file = open('./aa.html', 'rb')
3. html = ad()
4.
5. bs = BeautifulSoup(html,"html.parser")
6.
7. print(bs.title.string)
8. print(type(bs.title.string))
4.3、BeautifulSoup
BeautifulSoup对象表⽰的是⼀个⽂档的内容。⼤部分时候，可以把它当作 Tag 对象，是⼀个特殊的 Tag，我们可以分别获取它的类型，名称，以及属性，例如：
1. from bs4 import BeautifulSoup
2. file = open('./aa.html', 'rb')
3. html = ad()
4.
5. bs = BeautifulSoup(html,"html.parser")
6.
7. print(type(bs.name))
8. print(bs.name)
9. print(bs.attrs)
4.4、Comment
Comment 对象是⼀个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号。
1. from bs4 import BeautifulSoup
2. file = open('./aa.html', 'rb')
3. html = ad()
4.
5. bs = BeautifulSoup(html,"html.parser")
6. print(bs.a)
7. # 此时不能出现空格和换⾏符，a标签如下：
8. # <a class="mnav" href="news.baidu" name="tj_trnews"><!--新闻--></a>
9.
10. print(bs.a.string) # 新闻
11.
12. print(type(bs.a.string)) # <class 'bs4.element.Comment'>
五、遍历⽂档树
5.1、.contents：
获取Tag的所有⼦节点，返回⼀个list
1. # tag的.content 属性可以将tag的⼦节点以列表的⽅式输出
2. print(ts)
3.
4. # ⽤列表索引来获取它的某⼀个元素
5. print(ts[1])
5.2、.children：
获取Tag的所有⼦节点，返回⼀个⽣成器
1. for child in bs.body.children:
2. print(child)
5.3、.descendants：获取Tag的所有⼦孙节点
5.4、.strings：如果Tag包含多个字符串，即在⼦孙节点中有内容，可以⽤此获取，⽽后进⾏遍历
5.5、.stripped_strings：与strings⽤法⼀致，只不过可以去除掉那些多余的空⽩内容
5.6、.parent：获取Tag的⽗节点
5.7、.parents：递归得到⽗辈元素的所有节点，返回⼀个⽣成器
5.8、.previous_sibling：获取当前Tag的上⼀个节点，属性通常是字符串或空⽩，真实结果是当前标签与上⼀个标签之间的顿号和换⾏符5.9、.next_sibling：获取当前Tag的下⼀个节点，属性通常是字符串或空⽩，真是结果是当前标签与下⼀个标签之间的顿号与换⾏符
5.10、.previous_siblings：获取当前Tag的上⾯所有的兄弟节点，返回⼀个⽣成器
5.11、.next_siblings：获取当前Tag的下⾯所有的兄弟节点，返回⼀个⽣成器
5.12、.previous_element：获取解析过程中上⼀个被解析的对象(字符串或tag)，可能与previous_sibling相同，但通常是不⼀样的
5.13、.next_element：获取解析过程中下⼀个被解析的对象(字符串或tag)，可能与next_sibling相同，但通常是不⼀样的
5.14、.previous_elements：返回⼀个⽣成器，可以向前访问⽂档的解析内容
5.15、.next_elements：返回⼀个⽣成器，可以向后访问⽂档的解析内容
5.16、.has_attr：判断Tag是否包含属性
六、搜索⽂档树
6.1、find_all(name, attrs, recursive, text, **kwargs)
在上⾯的栗⼦中我们简单介绍了find_all的使⽤，接下来介绍⼀下find_all的更多⽤法-过滤器。这些过滤器贯穿整个搜索API，过滤器可以被⽤在tag的name中，节点的属性等。
（1）name参数：
字符串过滤：会查与字符串完全匹配的内容
1. a_list = bs.find_all("a")
2. print(a_list)
正则表达式过滤：如果传⼊的是正则表达式，那么BeautifulSoup4会通过search()来匹配内容
1. from bs4 import BeautifulSoup
2. import re
3. file = open('./aa.html', 'rb')
4. html = ad()
5.
6. bs = BeautifulSoup(html,"html.parser")
7.
8. t_list = bs.find_all(repile("a"))
9. for item in t_list:
10. print(item)
列表：如果传⼊⼀个列表，BeautifulSoup4将会与列表中的任⼀元素匹配到的节点返回
1. t_list = bs.find_all(["meta","link"])
2. for item in t_list:
3. print(item)
⽅法：传⼊⼀个⽅法，根据⽅法来匹配
1. from bs4 import BeautifulSoup
2. file = open('./aa.html', 'rb')
3. html = ad()
4.
5. bs = BeautifulSoup(html,"html.parser")
6.
7. def name_is_exists(tag):
8. return tag.has_attr("name")
9.
10. t_list = bs.find_all(name_is_exists)
11. for item in t_list:
12. print(item)
（2）kwargs参数：
1. from bs4 import BeautifulSoup
2. import re
3. file = open('./aa.html', 'rb')
4. html = ad()
5.
6. bs = BeautifulSoup(html,"html.parser")
7.
8. # 查询id=head的Tag
9. t_list = bs.find_all(id="head") print(t_list)
10.
11. # 查询href属性包含ss1.bdstatic的Tag
12. t_list = bs.find_all(href=repile("news.baidu"))
13. print(t_list)
14.
15. # 查询所有包含class的Tag(注意：class在Python中属于关键字，所以加_以⽰区别)
16. t_list = bs.find_all(class_=True)
17. for item in t_list:
18. print(item)
（3）attrs参数：
并不是所有的属性都可以使⽤上⾯这种⽅式进⾏搜索，⽐如HTML的data-*属性:
t_list = bs.find_all(data-foo="value")
如果执⾏这段代码，将会报错。我们可以使⽤attrs参数，定义⼀个字典来搜索包含特殊属性的tag：
1. t_list = bs.find_all(attrs={"data-foo":"value"})
python 正则表达式 空格2. for item in t_list:
3. print(item)
（4）text参数：
通过text参数可以搜索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
1. from bs4 import BeautifulSoup
2. import re
3. file = open('./aa.html', 'rb')
4. html = ad()
5.
6. bs = BeautifulSoup(html, "html.parser")
7.
8. t_list = bs.find_all(attrs={"data-foo": "value"})
9. for item in t_list:
10. print(item)
11.
12. t_list = bs.find_all(text="hao123")
13. for item in t_list:
14. print(item)
15.
16. t_list = bs.find_all(text=["hao123", "地图", "贴吧"])
17. for item in t_list:
18. print(item)
19.
20. t_list = bs.find_all(text=repile("\d"))
21. for item in t_list:
22. print(item)
当我们搜索text中的⼀些特殊属性时，同样也可以传⼊⼀个⽅法来达到我们的⽬的：
1. def length_is_two(text):
2. return text and len(text) == 2
3.
4. t_list = bs.find_all(text=length_is_two)
5. for item in t_list:
6. print(item)
（5）limit参数：
可以传⼊⼀个limit参数来限制返回的数量，当搜索出的数据量为5，⽽设置了limit=2时，此时只会返回前2个数据
1. from bs4 import BeautifulSoup
2. import re
3. file = open('./aa.html', 'rb')
4. html = ad()
5.
6. bs = BeautifulSoup(html, "html.parser")
7.
8. t_list = bs.find_all("a",limit=2)
9. for item in t_list:
10. print(item)
find_all除了上⾯⼀些常规的写法，还可以对其进⾏⼀些简写：
1. # 两者是相等的
2. # t_list = bs.find_all("a") => t_list = bs("a")
3. t_list = bs("a") # 两者是相等的
4. # t_list = bs.a.find_all(text="新闻") => t_list = bs.a(text="新闻")
5. t_list = bs.a(text="新闻")
6.2、find()
find()将返回符合条件的第⼀个Tag，有时我们只需要或⼀个Tag时，我们就可以⽤到find()⽅法了。当然了，也可以使⽤find_all()⽅法，传⼊⼀个limit=1，然后再取出第⼀个值也是可以的，不过未免繁琐。
1. from bs4 import BeautifulSoup
2. import re
3. file = open('./aa.html', 'rb')
4. html = ad()
5.
6. bs = BeautifulSoup(html, "html.parser")
7.
8. # 返回只有⼀个结果的列表
9. t_list = bs.find_all("title",limit=1)
10. print(t_list)
11.
12. # 返回唯⼀值
13. t = bs.find("title")
14. print(t)
15.
16. # 如果没有到，则返回None
17. t = bs.find("abc") print(t)
从结果可以看出find_all，尽管传⼊了limit=1，但是返回值仍然为⼀个列表，当我们只需要取⼀个值时，远不如find⽅法⽅便。但
是如果未搜索到值时，将返回⼀个None
在上⾯介绍BeautifulSoup4的时候，我们知道可以通过bs.div来获取第⼀个div标签，如果我们需要获取第⼀个div下的第⼀个div，
我们可以这样：
1. t = bs.div.div
2.
3. # 等价于
4. t = bs.find("div").find("div")
七、CSS选择器
BeautifulSoup⽀持发部分的CSS选择器，在Tag获取BeautifulSoup对象的.select()⽅法中传⼊字符串参
数，即可使⽤CSS选择器的语法到Tag:
7.1、通过标签名查
1. print(bs.select('title'))
2.
3. print(bs.select('a'))
7.2、通过类名查
1. print(bs.select('.mnav'))
7.3、通过id查
1. print(bs.select('#u1'))
7.4、组合查
1. print(bs.select('div .bri'))
7.5、属性查
1. print(bs.select('a[class="bri"]'))
2. print(bs.select('a[href="tieba.baidu"]'))
7.6、直接⼦标签查
1. t_list = bs.select("head > title")
发表评论