1. Beautiful Soup 简介
简单来说，Beautiful Soup是python的一个库，最主要的功能是从网页抓取数据。官方解释如下：
Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。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。Beautiful Soup已成为和lxml、html6lib一样出色的python解释器，为用户灵活地提供不同的解析策略或强劲的速度。
2. Beautiful Soup 安装
Beautiful Soup 3 目前已经停止开发，推荐在现在的项目中使用Beautiful Soup 4，不过它已经被移植到BS4了，也就是说导入时我们需要 import bs4 。
可以利用 pip 或者 easy_install 来安装，以下两种方法均可
easy_install beautifulsoup4
pip install beautifulsoup4如果想安装最新的版本，请直接下载安装包来手动安装，也是十分方便的方法。下载完成之后解压，运行下面的命令即可完成安装（先cd到解压后的目录）
python setup.py installBeautiful 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，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，推荐安装.
解析器 | 使用方法 | 优势 | 劣势 |
Python标准库 | BeautifulSoup(markup, “html.parser”) | Python的内置标准库 执行速度适中 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”) | 速度快 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”) | 速度快 唯一支持XML的解析器 | 需要安装C语言库 |
html5lib | BeautifulSoup(markup, “html5lib”) | 最好的容错性 以浏览器的方式解析文档 生成HTML5格式的文档 | 速度慢 不依 |
安装lxml 和 html5lib:
1 easy_install lxml
2 pip install lxml1 easy_install html5lib
2 pip install html5lib3. 创建 Beautiful Soup 对象
首先导入 bs4 库，然后创建beautifulsoup对象
1 from bs4 import BeautifulSoup
2
3 html = """
4 <html><head><title>The Dormouse's story</title></head>
5 <body>
6 <p class="title" name="dromouse"><b>The Dormouse's story</b></p>
7 <p class="story">Once upon a time there were three little sisters; and their names were
8 <a href="http://example.com/elsie" class="sister" id="link1"><!-- Elsie --></a>,
9 <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
10 <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
11 and they lived at the bottom of a well.</p>
12 <p class="story">...</p>
13 """
14
15 soup = BeautifulSoup(html)
16 soup = BeautifulSoup(open('index.html')) #使用本地文件创建对象打印一下 soup 对象的内容，格式化输出
1 print soup.prettify()指定编码：当html为其他类型编码（非utf-8和ascii），比如GB2312的话，则需要指定相应的字符编码，BeautifulSoup才能正确解析。
htmlCharset = "GB2312"
soup = BeautifulSoup(respHtml, fromEncoding=htmlCharsfrom bs4 import BeautifulSoup
import bs4
import re
# 待分析字符串
html_doc = """
<html>
<head>
<title>The Dormouse's story</title>
</head>
<body>
<p class="title aq">
<b>
The Dormouse's story
</b>
</p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</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>
</body>
</html>
"""
# 每一段代码中注释部分即为运行结果
# html字符串创建BeautifulSoup对象
soup = BeautifulSoup(html_doc, 'html.parser', from_encoding='utf-8')
# 输出第一个 title 标签
print(soup.title)
# <title>The Dormouse's story</title>
# 输出第一个 title 标签的标签名称
print(soup.title.name)
# title
# 输出第一个 title 标签的包含内容
print(soup.title.string)
# The Dormouse's story
# 输出第一个 title 标签的父标签的标签名称
print(soup.title.parent.name)
# head
# 输出第一个 p 标签
print(soup.p)
"""
<p class="title aq">
<b>
The Dormouse's story
</b>
</p>
"""
# 输出第一个 p 标签的 class 属性内容
print(soup.p['class'])
# ['title', 'aq']
# 输出第一个 a 标签的 href 属性内容
print(soup.a['href'])
# http://example.com/elsie
'''''
soup的属性可以被添加,删除或修改. 操作方法与字典一样
'''
# 修改第一个 a 标签的href属性为 http://www.baidu.com/
# soup.a['href'] = 'http://www.baidu.com/'
# 给第一个 a 标签添加 name 属性
# soup.a['name'] = u'百度'
# 删除第一个 a 标签的 class 属性为
# del soup.a['class']
##输出第一个 p 标签的所有子节点
print(soup.p.contents)
"""
['\n', <b>
The Dormouse's story
</b>, '\n']
"""
# 输出第一个 a 标签
print(soup.a)
# <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
# 输出所有的 a 标签，以列表形式显示
print(soup.find_all('a'))
"""
[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>,
<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
"""
# 输出第一个 id 属性等于 link3 的 a 标签
print(soup.find(id="link3"))
# <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
# 获取所有文字内容
print(soup.get_text())
"""
The Dormouse's story
The Dormouse's story
Once upon a time there were three little sisters; and their names were
Elsie,
Lacie
and
Tillie;
and they lived at the bottom of a well.
...
"""
# 输出第一个 a 标签的所有属性信息
print(soup.a.attrs)
# {'href': 'http://example.com/elsie', 'class': ['sister'], 'id': 'link1'}
for link in soup.find_all('a'):
# 获取 link 的 href 属性内容
print(link.get('href'))
"""
http://example.com/elsie
http://example.com/lacie
http://example.com/tillie
"""
# 对soup.p的子节点进行循环输出
for child in soup.p.children:
print("对soup.p的子节点进行循环输出", child)
"""
对soup.p的子节点进行循环输出
对soup.p的子节点进行循环输出 <b>
The Dormouse's story
</b>
对soup.p的子节点进行循环输出
"""
# 正则匹配，名字中带有b的标签
for tag in soup.find_all(re.compile(r"b")):
print(tag.name)
"""
body
b
"""
4. 四大对象种类
Beautiful Soup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
（1）Tag
Tag 是什么？通俗点讲就是 HTML 中的一个个标签，例如
<title>The Dormouse's story</title>
<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>上面的< title>< a> 等、 标签加上里面包括的内容就是 Tag，利用 soup加标签名轻松地获取这些标签的内容，是不是感觉比正则表达式方便多了？不过有一点是，它查找的是在所有内容中的第一个符合要求的标签。soup.title 得到的是title标签，soup.p 得到的是文档中的第一个p标签，要想得到所有标签，得用find_all函数。find_all 函数返回的是一个序列，可以对它进行循环，依次得到想到的东西.。
我们可以验证一下这些对象的类型
1 print type(soup.a)
2 #<class 'bs4.element.Tag'>
对于 Tag，它有两个重要的属性，是 name 和 attrs
name
1 print soup.name
2 print soup.head.name
3 #[document]
4 #headsoup 对象本身比较特殊，它的 name 即为 [document]，对于其他内部标签，输出的值便为标签本身的名称。
attrs
1 print soup.p.attrs
2 #{'class': ['title'], 'name': 'dromouse'}
在这里，我们把 p 标签的所有属性打印输出了出来，得到的类型是一个字典。如果我们想要单独获取某个属性，可以这样，例如我们获取它的 class 叫什么
1 print soup.p['class']
2 #['title']
还可以这样，利用get方法，传入属性的名称，二者是等价的
print soup.p.get('class')
#['title']
我们可以对这些属性和内容等等进行修改，例如
1 soup.p['class']="newClass"
2 print soup.p
3 #<p class="newClass" name="dromouse"><b>The Dormouse's story</b></p>
还可以对这个属性进行删除，例如
1 del soup.p['class']
2 print soup.p
3 #<p name="dromouse"><b>The Dormouse's story</b></p>
不过，对于修改删除的操作，不是我们的主要用途，在此不做详细介绍了，如果有需要，请查看前面提供的官方文档
1 head = soup.find('head')
2 #head = soup.head
3 #head = soup.contents[0].contents[0]
4 print head
5
6 html = soup.contents[0] # <html> ... </html>
7 head = html.contents[0] # <head> ... </head>
8 body = html.contents[1] # <body> ... </body>可以通过Tag.attrs访问，返回字典结构的属性。
或者Tag.name这样访问特定属性值，如果是多值属性则以列表形式返回。
（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 print soup.p.string
2 #The Dormouse's story这样我们就轻松获取到了标签里面的内容，想想如果用正则表达式要多麻烦。它的类型是一个 NavigableString，翻译过来叫 可以遍历的字符串，不过我们最好还是称它英文名字吧。来检查一下它的类型
1 print type(soup.p.string)
2 #<class 'bs4.element.NavigableString'>
（3）BeautifulSoup
BeautifulSoup 对象表示的是一个文档的全部内容.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，以及属性来感受一下
1 print type(soup.name)
2 #<type 'unicode'>
3 print soup.name
4 # [document]
5 print soup.attrs
6 #{} 空字典
（4）Comment
Comment 对象是一个特殊类型的 NavigableString 对象，其实输出的内容仍然不包括注释符号，但是如果不好好处理它，可能会对我们的文本处理造成意想不到的麻烦。
我们找一个带注释的标签
1 print soup.a
2 print soup.a.string
3 print type(soup.a.string)运行结果如下:
1 <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
2 Elsie
3 <class 'bs4.element.Comment'>a 标签里的内容实际上是注释，但是如果我们利用 .string 来输出它的内容，我们发现它已经把注释符号去掉了，所以这可能会给我们带来不必要的麻烦。
另外我们打印输出下它的类型，发现它是一个 Comment 类型，所以，我们在使用前最好做一下判断，判断代码如下：
1 if type(soup.a.string)==bs4.element.Comment:
2 print soup.a.string上面的代码中，我们首先判断了它的类型，是否为 Comment 类型，然后再进行其他操作，如打印输出。
5. 遍历文档树
（1）直接子节点
Tag.Tag_child1：直接通过下标名称访问子节点。
Tag.contents：以列表形式返回所有子节点。
Tag.children：生成器，可用于循环访问：for child in Tag.children
要点：.contents .children 属性
.contents
tag 的 .content 属性可以将tag的子节点以列表的方式输出。可以使用 [num] 的形式获得。使用contents向后遍历树，使用parent向前遍历树：
1 print soup.head.contents
2 #[<title>The Dormouse's story</title>]输出方式为列表，我们可以用列表索引来获取它的某一个元素
1 print soup.head.contents[0]
2 #<title>The Dormouse's story</title>
.children
它返回的不是一个 list，不过我们可以通过遍历获取所有子节点。我们打印输出 .children 看一下，可以发现它是一个 list 生成器对象。
可以使用list可以将其转化为列表。当然可以使用for 语句遍历里面的孩子。
1 print soup.head.children
2 #<listiterator object at 0x7f71457f5710>我们怎样获得里面的内容呢？很简单，遍历一下就好了:
1 for child in soup.body.children:
2 print child结果如下：
1 <p class="title" name="dromouse"><b>The Dormouse's story</b></p>
2
3 <p class="story">Once upon a time there were three little sisters; and their names were
4 <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>,
5 <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
6 <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
7 and they lived at the bottom of a well.</p>
8
9
10 <p class="story">...</p>
（2）所有子孙节点
知识点：.descendants 属性
.descendants
.contents 和 .children 属性仅包含tag的直接子节点，.descendants 属性可以对所有tag的子孙节点进行递归循环，和 children类似，我们也需要遍历获取其中的内容。
Tag.descendants：生成器，可用于循环访问：for des inTag.descendants
1 for child in soup.descendants:
2 print child
运行结果如下，可以发现，所有的节点都被打印出来了，先生成最外层的 HTML标签，其次从 head 标签一个个剥离，以此类推。
1 <html><head><title>The Dormouse's story</title></head>
2 <body>
3 <p class="title" name="dromouse"><b>The Dormouse's story</b></p>
4 <p class="story">Once upon a time there were three little sisters; and their names were
5 <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>,
6 <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
7 <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
8 and they lived at the bottom of a well.</p>
9 <p class="story">...</p>
10 </body></html>
11 <head><title>The Dormouse's story</title></head>
12 <title>The Dormouse's story</title>
13 The Dormouse's story
14
15
16 <body>
17 <p class="title" name="dromouse"><b>The Dormouse's story</b></p>
18 <p class="story">Once upon a time there were three little sisters; and their names were
19 <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>,
20 <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
21 <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
22 and they lived at the bottom of a well.</p>
23 <p class="story">...</p>
24 </body>
25
26
27 <p class="title" name="dromouse"><b>The Dormouse's story</b></p>
28 <b>The Dormouse's story</b>
29 The Dormouse's story
30
31
32 <p class="story">Once upon a time there were three little sisters; and their names were
33 <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>,
34 <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
35 <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
36 and they lived at the bottom of a well.</p>
37 Once upon a time there were three little sisters; and their names were
38
39 <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
40 Elsie
41 ,
42
43 <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>
44 Lacie
45 and
46
47 <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
48 Tillie
49 ;
50 and they lived at the bottom of a well.
51
52
53 <p class="story">...</p>
54 ...View Code
（3）节点内容
知识点：.string 属性
Tag.String：Tag只有一个String子节点时，可以这么访问，否则返回None
Tag.Strings：生成器，可用于循环访问：for str in Tag.Strings
如果tag只有一个 NavigableString 类型子节点,那么这个tag可以使用 .string 得到子节点。如果一个tag仅有一个子节点,那么这个tag也可以使用 .string 方法,输出结果与当前唯一子节点的 .string 结果相同。通俗点说就是：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。如果超过一个标签的话，那么就会返回None。例如
1 print soup.head.string
2 #The Dormouse's story
3 print soup.title.string
4 #The Dormouse's storyView Code
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
1 print soup.html.string
2 # NoneView Code
（4）多个内容
知识点： .strings .stripped_strings 属性
.strings
获取多个内容，不过需要遍历获取，比如下面的例子
1 for string in soup.strings:
2 print(repr(string))
3 # u"The Dormouse's story"
4 # u'\n\n'
5 # u"The Dormouse's story"
6 # u'\n\n'
7 # u'Once upon a time there were three little sisters; and their names were\n'
8 # u'Elsie'
9 # u',\n'
10 # u'Lacie'
11 # u' and\n'
12 # u'Tillie'
13 # u';\nand they lived at the bottom of a well.'
14 # u'\n\n'
15 # u'...'
16 # u'\n'View Code
.stripped_strings
输出的字符串中可能包含了很多空格或空行,使用 .stripped_strings 可以去除多余空白内容：
1 for string in soup.stripped_strings:
2 print(repr(string))
3 # u"The Dormouse's story"
4 # u"The Dormouse's story"
5 # u'Once upon a time there were three little sisters; and their names were'
6 # u'Elsie'
7 # u','
8 # u'Lacie'
9 # u'and'
10 # u'Tillie'
11 # u';\nand they lived at the bottom of a well.'
12 # u'...'View Code
（5）父节点
知识点： .parent 属性
使用parent获取父节点。
Tag.parent：父节点
Tag.parents：父到根的所有节点
1 body = soup.body
2 html = body.parent # html是body的父亲View Code
1 p = soup.p
2 print p.parent.name
3 #body
4
5 content = soup.head.title.string
6 print content.parent.name
7 #titleView Code
（6）全部父节点
知识点：.parents 属性
通过元素的 .parents 属性可以递归得到元素的所有父辈节点，例如：
1 content = soup.head.title.string
2 for parent in content.parents:
3 print parent.name
4
5 title
6 head
7 html
8 [document]View Code
（7）兄弟节点
知识点：.next_sibling .previous_sibling 属性
使用nextSibling, previousSibling获取前后兄弟
Tag.next_sibling
Tag.next_siblings
Tag.previous_sibling
Tag.previous_siblings
兄弟节点可以理解为和本节点处在统一级的节点，.next_sibling 属性获取了该节点的下一个兄弟节点，.previous_sibling 则与之相反，如果节点不存在，则返回 None。
注意：实际文档中的tag的 .next_sibling 和 .previous_sibling 属性通常是字符串或空白，因为空白或者换行也可以被视作一个节点，所以得到的结果可能是空白或者换行。
1 print soup.p.next_sibling
2 # 实际该处为空白
3 print soup.p.prev_sibling
4 #None 没有前一个兄弟节点，返回 None
5 print soup.p.next_sibling.next_sibling
6 #<p class="story">Once upon a time there were three little sisters; and their names were
7 #<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>,
8 #<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
9 #<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
10 #and they lived at the bottom of a well.</p>
11 #下一个节点的下一个兄弟节点是我们可以看到的节点View Code
.next方法：只能针对单一元素进行.next，或者说是对contents列表元素的挨个清点。
1 比如
2 soup.contents[1]=u'HTML'
3 soup.contents[2]=u'\n'
4 则 soup.contents[1].next 等价于 soup.contents[2]
5
6 head = body.previousSibling # head和body在同一层，是body的前一个兄弟
7 p1 = body.contents[0] # p1, p2都是body的儿子，我们用contents[0]取得p1
8 p2 = p1.nextSibling # p2与p1在同一层，是p1的后一个兄弟, 当然body.content[1]也可得到View Code
contents[]的灵活运用也可以寻找关系节点,寻找祖先或者子孙可以采用findParent(s), findNextSibling(s), findPreviousSibling(s)
（8）全部兄弟节点
知识点：.next_siblings .previous_siblings 属性
通过 .next_siblings 和 .previous_siblings 属性可以对当前节点的兄弟节点迭代输出。
1 for sibling in soup.a.next_siblings:
2 print(repr(sibling))
3 # u',\n'
4 # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>
5 # u' and\n'
6 # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
7 # u'; and they lived at the bottom of a well.'
8 # NoneView Code
（9）前后节点
知识点：.next_element .previous_element 属性
与 .next_sibling .previous_sibling 不同，它并不是针对于兄弟节点，而是在所有节点，不分层次。比如 head 节点为
1 <head><title>The Dormouse's story</title></head>那么它的下一个节点便是 title，它是不分层次关系的
1 print soup.head.next_element
2 #<title>The Dormouse's story</title>View Code
（10）所有前后节点
知识点：.next_elements .previous_elements 属性
通过 .next_elements 和 .previous_elements 的迭代器就可以向前或向后访问文档的解析内容,就好像文档正在被解析一样。
1 for element in last_a_tag.next_elements:
2 print(repr(element))
3 # u'Tillie'
4 # u';\nand they lived at the bottom of a well.'
5 # u'\n\n'
6 # <p class="story">...</p>
7 # u'...'
8 # u'\n'
9 # NoneView Code
6.搜索文档树
最常用的是find_all()函数
（1）find_all( name , attrs , recursive , text , **kwargs )
find_all() 方法搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件
1）name 参数
name 参数可以查找所有名字为 name 的tag,字符串对象会被自动忽略掉。
1 #第一个参数为Tag的名称
2 tag.find_all(‘title’)
3 #得到”<title>&%^&*</title>”,结果为一个列表
4
5 第二个参数为匹配的属性
6 tag.find_all(“title”,class=”sister”)
7 #得到如”<title class = “sister”>%^*&</title>
8
9 # 第二个参数也可以为字符串，得到字符串匹配的结果
10 tag.find_all(“title”,”sister”)
11 #得到如”<title class = “sister”>%^*&</title>View Code
A.传字符串
最简单的过滤器是字符串.在搜索方法中传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容,下面的例子用于查找文档中所有的<b>标签
1 soup.find_all('b')
2 # [<b>The Dormouse's story</b>]
3
4 print soup.find_all('a')
5 #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]View Code
B.传正则表达式
如果传入正则表达式作为参数,Beautiful Soup会通过正则表达式的 match() 来匹配内容.下面例子中找出所有以b开头的标签,这表示<body>和<b>标签都应该被找到
1 import re
2 for tag in soup.find_all(re.compile("^b")):
3 print(tag.name)
4 # body
5 # bView Code
C.传列表
如果传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回.下面代码找到文档中所有<a>标签和<b>标签
1 soup.find_all(["a", "b"])
2 # [<b>The Dormouse's story</b>,
3 # <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
4 # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>,
5 # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]View Code
D.传 True
True 可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点
1 for tag in soup.find_all(True):
2 print(tag.name)
3 # html
4 # head
5 # title
6 # body
7 # p
8 # b
9 # p
10 # a
11 # aView Code
E.传方法
如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数 [4] ,如果这个方法返回 True 表示当前元素匹配并且被找到,如果不是则反回 False。下面方法校验了当前元素,如果包含 class 属性却不包含 id 属性,那么将返回 True:
1 def has_class_but_no_id(tag):
2 return tag.has_attr('class') and not tag.has_attr('id')View Code
将这个方法作为参数传入 find_all() 方法,将得到所有<p>标签:
1 soup.find_all(has_class_but_no_id)
2 # [<p class="title"><b>The Dormouse's story</b></p>,
3 # <p class="story">Once upon a time there were...</p>,
4 # <p class="story">...</p>]View Code
2）keyword 参数
注意：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
1 soup.find_all(id='link2')
2 # [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]View Code
如果传入 href 参数,Beautiful Soup会搜索每个tag的”href”属性
1 soup.find_all(href=re.compile("elsie"))
2 # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]View Code
使用多个指定名字的参数可以同时过滤tag的多个属性
1 soup.find_all(href=re.compile("elsie"), id='link1')
2 # [<a class="sister" href="http://example.com/elsie" id="link1">three</a>]View Code
在这里我们想用 class 过滤，不过 class 是 python 的关键词，这怎么办？加个下划线就可以。
1 soup.find_all("a", class_="sister")
2 # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
3 # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>,
4 # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]View Code
有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性。
1 data_soup = BeautifulSoup('<div data-foo="value">foo!</div>')
2 data_soup.find_all(data-foo="value")
3 # SyntaxError: keyword can't be an expressionView Code
但是可以通过 find_all() 方法的 attrs 参数定义一个字典参数来搜索包含特殊属性的tag
1 data_soup.find_all(attrs={"data-foo": "value"})
2 # [<div data-foo="value">foo!</div>]View Code
3）text 参数
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。
1 soup.find_all(text="Elsie")
2 # [u'Elsie']
3
4 soup.find_all(text=["Tillie", "Elsie", "Lacie"])
5 # [u'Elsie', u'Lacie', u'Tillie']
6
7 soup.find_all(text=re.compile("Dormouse"))
8 [u"The Dormouse's story", u"The Dormouse's story"]View Code
4）limit 参数
find_all() 方法返回全部的搜索结构,如果文档树很大那么搜索会很慢.如果我们不需要全部结果,可以使用 limit 参数限制返回结果的数量.效果与SQL中的limit关键字类似,当搜索到的结果数量达到 limit 的限制时,就停止搜索返回结果.
文档树中有3个tag符合搜索条件,但结果只返回了2个,因为我们限制了返回数量
1 soup.find_all("a", limit=2)
2 # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
3 # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]View Code
5）recursive 参数
调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False 。一段简单的文档:
1 <html>
2 <head>
3 <title>
4 The Dormouse's story
5 </title>
6 </head>
7 ...View Code
是否使用 recursive 参数的搜索结果:
1 soup.html.find_all("title")
2 # [<title>The Dormouse's story</title>]
3
4 soup.html.find_all("title", recursive=False)
5 # []View Code
（2）find(name=None, attrs={}, recursive=True, text=None, **kwargs)
find_all() 方法的返回结果是值包含一个元素的列表,而 find()
.find('p'),.findAll('p')：find返回的是字符串值，而且是返回从头查找到的第一个tag对。但是如果这第一个tag对包括大量的内容，父等级很高，则同时其内部所包含的，此级标签也全部都find。findAll返回值是个列表，如果发现了一个同名标签内含多个同名标签，则内部的标签一并归于该父标签显示，列表其他元素也不再体现那些内含的同名子标签。即findAll会返回所有符合要求的结果，并以list返回。
1 soup.findAll(onclick='document.location...')
2 soup.findAll(attrs={'style':r'outline:none;'}) #用来查找属性中有style='outline:none;的标签体。 # 搜索所有tag
3
4 tag搜索
5 find(tagname) # 直接搜索名为tagname的tag 如：find('head')
6 find(list) # 搜索在list中的tag，如: find(['head', 'body'])
7 find(dict) # 搜索在dict中的tag，如:find({'head':True, 'body':True})
8 find(re.compile('')) # 搜索符合正则的tag, 如:find(re.compile('^p')) 搜索以p开头的tag
9 find(lambda) # 搜索函数返回结果为true的tag, 如:find(lambda name: if len(name) == 1) 搜索长度为1的tag
10 find(True) # 搜索所有tag
11
12 attrs搜索
13 find(id='xxx') # 寻找id属性为xxx的
14 find(attrs={id=re.compile('xxx'), algin='xxx'}) # 寻找id属性符合正则且algin属性为xxx的
15 find(attrs={id=True, algin=None}) # 寻找有id属性但是没有algin属性的
16
17 resp1 = soup.findAll('a', attrs = {'href': match1})
18 resp2 = soup.findAll('h1', attrs = {'class': match2})
19 resp3 = soup.findAll('img', attrs = {'id': match3})
20
21 text搜索
22 文字的搜索会导致其他搜索给的值如：tag, attrs都失效。方法与搜索tag一致
23 print p1.text
24 # u'This is paragraphone.'
25 print p2.text
26 # u'This is paragraphtwo.'
27 # 注意：1，每个tag的text包括了它以及它子孙的text。2，所有text已经被自动转为unicode，如果需要，可以自行转码encode(xxx)
28
29 recursive和limit属性
30 recursive=False表示只搜索直接儿子，否则搜索整个子树，默认为True。
31 当使用findAll或者类似返回list的方法时，limit属性用于限制返回的数量，
32 如:findAll('p', limit=2)： 返回首先找到的两个tagView Code
（3）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()
（4）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()
（5）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()
（6）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()
（7）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
注：以上（2）（3）（4）（5）（6）（7）方法参数用法与 find_all() 完全相同，原理均类似，在此不再赘述。
7. CSS选择器
在写 CSS 时，标签名不加任何修饰，类名前加点，id名前加 #
在这里我们也可以利用类似的方法来筛选元素，用到的方法是 soup.select()，返回类型是 list
（1）通过标签名查找
1 print soup.select('title')
2 #[<title>The Dormouse's story</title>]
3
4 print soup.select('a')
5 #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
6
7 print soup.select('b')
8 #[<b>The Dormouse's story</b>]View Code
（2）通过类名查找
1 print soup.select('.sister')
2 #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]View Code
（3）通过 id 名查找
1 print soup.select('#link1')
2 #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]View Code
（4）组合查找
组合查找即和写 class 文件时，标签名与类名、id名进行的组合原理是一样的，例如：查找 p 标签中，id 等于 link1的内容，二者需要用空格分开
1 print soup.select('p #link1')
2 #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]直接子标签查找
1 print soup.select("head > title")
2 #[<title>The Dormouse's story</title>]
（5）属性查找
查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到。
1 print soup.select('a[class="sister"]')
2 #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
3
4 print soup.select('a[href="http://example.com/elsie"]')
5 #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]View Code
同样，属性仍然可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格。
1 print soup.select('p a[href="http://example.com/elsie"]')
2 #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]View Code
以上的 select 方法返回的结果都是列表形式，可以遍历形式输出，然后用 get_text() 方法来获取它的内容。
1 soup = BeautifulSoup(html, 'lxml')
2 print type(soup.select('title'))
3 print soup.select('title')[0].get_text()
4
5 for title in soup.select('title'):
6 print title.get_text()View Code
这就是另一种与 find_all 方法有异曲同工之妙的查找方法，是不是感觉很方便？
1 print soup.find_all("a", class_="sister")
2 print soup.select("p.title")
3
4 # 通过属性进行查找
5 print soup.find_all("a", attrs={"class": "sister"})
6
7 # 通过文本进行查找
8 print soup.find_all(text="Elsie")
9 print soup.find_all(text=["Tillie", "Elsie", "Lacie"])
10
11 # 限制结果个数
12 print soup.find_all("a", limit=2)View Code
**************胜者先胜而后求战，败者先战而后求胜！**************
