一、BeautifulSoup简介

1.BeautifulSoup模块

是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式

2.安装

在python3版本中安装BeautifulSoup

pip install BeautifulSoup4

也可以通过下载BS4的源码，通过setup.py来安装

3.Beautiful解析器安装

主要的几个解析器：

• bs4的HTML解析器-->BeautifulSoup(mk,'html.parser')-->安装bs4库

• lxml的HTML解析器-->BeautifulSoup(mk,'lxml')-->pip install lxml

• lxml的XML解析器-->BeautifulSoup(mk,'xml')-->pip install lxml

• html5lib的解析器-->BeautifulSoup(mk,'html5lib')-->pip installl html5lib

解析器	使用方法	优势	劣势
Python标准库	BeautifulSoup(markup, "html.parser")	1.Python的内置标准库2.执行速度适中3.文档容错能力强	Python 2.7.3 or 3.2.2)前 的版本中文档容错能力差
lxml HTML 解析器	BeautifulSoup(markup, "lxml")	1.速度快2.文档容错能力强	需要安装C语言库
lxml XML 解析器	BeautifulSoup(markup, ["lxml-xml"])/BeautifulSoup(markup, "xml")	1.速度快2.唯一支持XML的解析器	需要安装C语言库
html5lib	BeautifulSoup(markup, "html5lib")	1.最好的容错性2.以浏览器的方式解析文档3.生成HTML5格式的文档	1.速度慢2.不依赖外部扩展

推荐使用lxml作为解析器，效率高。

Beautiful Soup支持Python标准库中的HTML解析器,还支持一些第三方的解析器,其中一个是 .根据操作系统不同,可以选择下列方法来安装lxml。

pip install lxml

二、BeautifulSoup快速使用

1.beautifulSoup使用方法

解析原理：

• 实例化一个BeautifulSoup对象，且将即将被解析的页面源码加载到该对象中

• 使用该对象中的属性或方法进行标签定位和数据提取

解析方式：

• BeautifulSoup(fp,"lxml"),lxml指定解析器，将本地存储的html文档加载到该对象中

• BeautifulSoup(page_text,"lxml"),将互联网上获取的html源码加载到该对象中

from bs4 import BeautifulSoupsoup = BeautifulSoup('
data
', 'html.parser')

2.BeautifulSoup库的基本元素

BeautifulSoup类和html文档标签树的关系

BeautifulSoup库是解析、遍历、维护“标签树”的功能库

BeautifulSoup对象和文档树是对应的

BeautifulSoup类的基本元素

• Tag：标签，最基本的信息组织单元，分别用<>和</>标明开头和结尾

• Name：标签的名字，<p>…</p>的名字是'p'，格式：<tag>.name

• Attributes：标签的属性，字典形式组织，格式：<tag>.attrs

• NavigableString：标签内非属性字符串，<>…</>中字符串，格式：<tag>.string

• Comment：标签内字符串的注释部分，一种特殊的Comment类型

3.BeautifulSoup对象标签定位

本地文件test.html

      
      
       
百里守约
      
      
       
李清照
       
王安石
       
苏轼
       
柳宗元
       this is span        宋朝是最强大的王朝，不是军队的强大，而是经济很强大，国民都很有钱
       总为浮云能蔽日,长安不见使人愁
       
      
      
       
        
清明时节雨纷纷,路上行人欲断魂,借问酒家何处有,牧童遥指杏花村
        
秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山
        
岐王宅里寻常见,崔九堂前几度闻,正是江南好风景,落花时节又逢君
        
杜甫
        
杜牧
        
杜小月
        
度蜜月
        
凤凰台上凤凰游,凤去台空江自流,吴宫花草埋幽径,晋代衣冠成古丘
       
      

利用lxml解析成soup对象

from bs4 import BeautifulSoupfp = open("./test.html","r",encoding="utf-8")soup = BeautifulSoup(fp,"lxml")

TagName

Tag 对象与XML或HTML原生文档中的tag相同

• soup.tagName:返回的是页面中第一次出现的tagName标签，（一个单数）

tag = soup.titletype(tag)# 

标签对象的那么属性：每个tag都有自己的名字,通过 .name 来获取

tag.name# u'title'

soup.find方法：属性定位

一个tag可能有很多个属性. tag <b class="boldest"> 有一个 “class” 的属性,值为 “boldest” . tag的属性的操作方法与字典相同

• soup.find("tagName",attrName="value")

• 注意：返回的是单数

tag = soup.find("div",class_="song")  # 因为class为关键字，所以改为class_

tag对象可以直接“点”取属性，比如：.attrs

tag.attrs# {u'class': u'song'}

soup.find_all()方法

• soup.find_all("tagName"):定位所有的tagName的标签

• soup.find_all("tagName",attrName="value"):属性定位

  • 注意：返回值是列表

soup.find_all("div")soup.find_all("div",class_="song")

soup.select()方法

select("选择器"):根据选择器进行标签定位且返回的是复数（列表）

• 标签选择器，id选择器，类选择器，属性选择器，层级选择器

• 层级选择器：>表示一个层级，空格表示多个层级

soup.select(".tang")

层级选择

# soup.select(".tang li")soup.select(".tang > ul > li")  # 两者效果相同

4.BeautifulSoup对象数据提取

string和text

string：获取找到的标签中第一个标签的文本

soup.p.string # 获取第一个p标签的文本 # '百里守约' 

text：获取找到的标签中第一个标签的文本

soup.p.text  # 获取第一个p标签的文本# '百里守约'

区别：

• string获取的是标签中只存在文本的直系文本内容，

• text获取的是标签中所有的文本内容

获取标签属性

tag["attrName"]

for a in soup.select(".tang > ul > li > a"):    print(a["href"])    http://www.baidu.comhttp://www.163.comhttp://www.126.comhttp://www.sina.comhttp://www.dudu.comhttp://www.haha.com

bs4库的html输出格式

bs4的prettify方法：为html文内容添加换行符，是文本格式更加清晰

soup.prettify 

三、BeautifulSoup遍历方法

html基本格式

1.标签树的下行遍历

.contents：子节点的列表，将<tag>所有儿子节点存入列表 .children：子节点的迭代类型，与.contents类似，用于循环遍历儿子节点 .descendants：子孙节点的迭代类型，包含所有子孙节点，用于循环遍历

for child in soup.body.children:  # 遍历儿子节点    print(child)for child in soup.body.descendants:  # 遍历子孙节点    print(child)

2.标签树的上行遍历

.parent：节点的父亲标签 .parents：节点先辈标签的迭代类型，用于循环遍历先辈节点

代码框架

soup = BeautifulSoup(demo, "html.parser")    for parent in soup.a.parents:        if parent is None:            print(parent)        else:            print(parent.name)

3.标签树的平行遍历

.next_sibling：返回按照HTML文本顺序的下一个平行节点标签 .previous_sibling：返回按照HTML文本顺序的上一个平行节点标签 .next_siblings：迭代类型，返回按照HTML文本顺序的后续所有平行节点标签 .previous_siblings：迭代类型，返回按照HTML文本顺序的前续所有平行节点标签

四、信息组织与提取方法

1.信息标记的三种形式：

1.XML：eXtensible Markup Language

标签内容的表达形式：

     
         …   
         标签中有内容
         标签中没有内容
         注释表达方式

2.JSON：JavsScript Object Notation

• 有类型的键值对 key:value，"name":"北京理工大学"

• 键值对的值有多个："name":["北京理工大学","延安自然科学院"]

• 键值对的嵌套使用

3.YAML：YAML Ain't Markup Language

• 无类型键值对key:value name:北京理工大学

• 键值对的值有多个：“-”表达并列关系

• 键值对的嵌套使用：用缩进表达所属关系

• | 表达整块数据，#表示注释

2.三种信息标记形式的比较

• XML：最早的通用信息标记语言，可扩展性好，但繁琐

Internet上的信息交互与传递

• JSON：信息有类型，适合程序处理（js），较XML简洁

移动应用云端和节点的信息通信，无注释，优势：在经过传输后能够作为程序代码的一部分，缺点：无法体现注释

• YAML：信息无类型，文本信息比例最高，可读性好

用于各类系统的配置文件，有注释易读

3.信息提取的一般方法

方法一：完整解析信息的标记形式，在提取关键信息

• 标记解析器解析：XML JSON YAML

• 需要标记解析器，如：bs4库的标签树遍历

• 优点：信息解析准确

• 提取过程繁琐，速度慢

方法二：无视标记形式，直接搜索关键信息

• 搜索：对信息的文本产找函数即可

• 优点：提取过程简洁，速度较快

• 缺点：提取结果准确性与信息内容相关

融合方法：结合形式解析和搜索方法，提取关键信息

• 需要表及解析器及文本查找函数

实例：

• 提取HTML中所有URL链接

• 思路：

  • 搜索到所有<a>标签

  • 解析<a>标签格式，提取herf后的链接内容