学习资料 Beautiful Soup4.2.0文档
环境：Python3.6
Beautiful Soup又称为美丽汤，是一个可以从html或xml文件中提取数据的python库。先来看个例子
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class= "title"><b>The Dormouse's story</b></p>
<p class = "story>Once upon a time there were three little sister; and their names were
<a href = "http://example.com/elisie" class = "sister" id = "link1">Elisie</a>
<a href = "http://example.com/lacie" class = "sister" id = "link2">Lacie</a> and
<a href = "http://example.com/tillie" class = "sister" id = "link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class = "story">...</p>
"""
#从bs4库中导入美丽汤
from bs4 import BeautifulSoup
#做一锅汤咯
soup = BeautifulSoup(html_doc,'html.parser')
#按缩进打印soup
print(soup.prettify())
#浏览结构化数据的方法
soup.title # 浏览title标签
soup.title.name # title标签的标签吗
soup.title.string # 浏览title标签中的字符串
soup.title.parent.name # 查看title标签父标签的标签名
soup.p #查看第一个p标签
soup.p['class'] #查看第一个p标签的属性名为'class'的属性值，其操作和字典一样
soup.a # 查看第一个a标签
soup.findAll('a') # 查看所有的a标签
soup.find(id = 'link3') #查看id属性值为'link3'的标签
# 从文档中找到所有a标签的链接
for link in soup.findAll('a'):
print(link.get('href')) #或者print(link['href'])
# 从文档中获取所有的文字内容
print(soup.get_text())
安装Beautiful Soup
如果你的系统是Debain或ubuntu，那么可以通过系统的软件包管理来安装
$ apt-get install Python3-bs4
如果不能通过系统安装，可以使用pip或easy_install来安装。包的名字叫beautifulsoup4，兼容Python2和Python3.
$ easy_install beautifulsoup4
$ pip install beautifulsoup4
如果上面的方法都没有用，那么你可以将bs4包打包放入你的项目中，那样无须安装只要导入即可使用。
安装解析器
bs4库支持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lxml。根据操作系统不同，可以选择下列方法来安装lxml：
$ apt-get install Python-lxml
$ easy_install lxml
$ pip install lxml
另外一个可供选择的解析器是纯Python实现的html5lib，html5lib的解析方式与浏览器相同，可以选择下列方法来安装html5lib：
$ apt-get install Python-html5lib
$ easy_install html5lib
$ pip install html5lib
下表列出了主要的解析器，以及他们的优缺点：
<script type="text/javascript" src="https://cdn.mathjax.org/mathjax/latest/MathJax.js?config=TeX-AMS_HTML"></script>
$$S=\pi r^2$$
| 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 |
Python2.7.3or3.2.2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"]) | 1.速度快 2.唯一只是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 |
提示：如果一段html或xml文档格式不正确的话，那么在不同的解析器中返回的结果可能是不一样的。
如何使用
将一段文档传入BeautifulSoup的构造方法，就能得到一个文档的对象，可以传入一段字符串或一个文件。
from bs4 import BeautifulSoup
soup = BeautifulSoup(open("index.html"))
soup = BeautifulSoup("<html>data</html>")
对象的种类
BeautifulSoup将复杂的html文档转换成一个复杂的树形结构，每个节点都是Python对象，所有的对象可以归纳为4种：Tag, NavigableString, BeautifulSoup, Comment.
Tag
Tag对象与html原生文档中的Tag相同：
soup = BeautifulSoup('<b class = "boldest">Extremly bold</b>')
tag = soup.b
type(tag)
Tag有很多方法和属性，其中最重要的为name和attributes.
- Name
每个tag都有自己的名字，通过.name来获取
tag.name
如果改变了tag的name，那将影响所有通过当前BeautifulSoup对象生成的html文档：
tag.name = "blockquote"
tag
- Attributes
一个tag可能有很多属性。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：
tag['class']
# 'boldest'
也可以直接用attrs方法取出属性及对应的属性值
tag.attrs
# {"class":"boldest"}
tag的属性可以被添加、修改或删除。再说一次，tag的属性操作方法和字典一样
tag['class'] = 'very bold'
tag['id']= 1
tag
# <blockquote class = "very bold" id = "1">Extremely bold</blockquote>
del tag['class']
del tag['id']
tag
<blockquote>Extremely bold</blockquote>
tag['class']
# KeyError:'class'
NavigableString
tag.string
# 'Extremely bold'
type(tag.string)
# <class 'bs4.element.NavigableString '>
tag中包含的字符串不能编辑但是能够替换，用replace_with()方法：
tag.string.replace_with("No longer bold")
tag
# <blockquote>No longer bold</blockquote>
NavigableString对象支持遍历文档树和搜索文档树中定义的大部分属性，并非全部。尤其是，一个字符串不能包含其他内容（tag能够包含字符串或是其他tag），字符串不支持.contents或.string属性的find()方法。
如果想在BeautifulSoup之外使用NavigableString对象，需要调用str()
BeautifulSoup
BeautifulSoup对象表示的是一个文档的全部内容。大部分的时候，可以把他当做Tag对象，它支持遍历文档树和搜索文档树中描述的大部分方法。
因为BeautifulSoup对象并不是真正的html或xml的tag，所以它没有name和attribute属性。但有事查看它的name属性是很方便的，所以BeautifulSoup对象包含了一个值为"[document]"的特殊属性
soup.name
# '[document]'
Comment
Tag, NavigableString, BeautifulSoup几乎覆盖了html和xml中的所有内容，但是有些特殊的对象，容易让人担心的内容是文档的注释部分：
markup = "<b><!--Hey, buddy. want to buy a used parser?--></b>"
soup = BeautifulSoup(markup,'html.parser')
comment = soup.b.string
type(comment)
# <class 'bs4.element.comment'>
Comment是一个特殊类型的NavigableString对象。
遍历文档树
还拿"爱丽丝梦游仙境"的文档来做例子：
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class= "title"><b>The Dormouse's story</b></p>
<p class = "story>Once upon a time there were three little sister; and their names were
<a href = "http://example.com/elisie" class = "sister" id = "link1">Elisie</a>
<a href = "http://example.com/lacie" class = "sister" id = "link2">Lacie</a> and
<a href = "http://example.com/tillie" class = "sister" id = "link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class = "story">...</p>
from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc,'html.parser')
通过这段例子来演示怎样从文档的一段内容找到另一段内容。
今天先写到这里，未完待续...
网友评论