Python之Html解析方法(beautiful soup)

BeautifulSoup的安装及介绍

官方给出的几点介绍：
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。

Beautiful Soup的安装

1	pip install beautifulsoup4

BeautifulSoup中的HTML解析器对比

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”])`	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；不依赖外部扩展

BeautifulSoup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。在Python开发中，主要用的是BeautifulSoup的查找提取功能，修改功能很少使用

1、安装BeautifulSoup
pip3 install beautifulsoup4

2、安装第三方html解析器lxml
pip3 install lxml

3、安装纯Python实现的html5lib解析器
pip3 install html5lib

BeautifulSoup的使用：

1、导入bs4库

1	from bs4 import BeautifulSoup #导入bs4库

2、创建包含html代码的字符串

html_str = """

<html><head><title>The Dormouse's story</title></head>

<body>

<p class="title"><b>The Dormouse's stopy</b></p>

<p class="story">Once upon a time there were three little sisters;and their names where

<a href="http://example.com/elsie" class="sister" id="link1"><!--Elsie--></a>

"""

3、创建BeautifulSoup对象

（1）直接通过字符串方式创建

1
2
3

soup = BeautifulSoup(html_str,'lxml') #html.parser是解析器，也可是lxml

print(soup.prettify()) ------>输出soup对象的内容

（2）通过已有的文件来创建

1	soup = BeautifulSoup(open('/home/index.html'),features='html.parser')#html.parser是解析器，也可是lxml

4、BeautifulSoup对象的种类：BeautifulSoup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

（1）BeautifulSoup：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，因为BeautifulSoup对象并不是真正的HTML和XML，所以没有name和attribute属性

（2）Tag：与XML或HTML原生文档中的Tag相同，通俗讲就是标记

如：

抽取title：print（soup.title）

抽取a ： print（soup.a）

抽取p：print（soup.p）

Tag中有两个重要的属性：name和attributes。每个Tag都有自己的名字，通过.name来获取

print（soup.title.name）

操作Tag属性的方法和操作字典相同

如：

Hello World

print（soup.p[‘class’]）

也可以直接“点”取属性，如 .attrs 获取Tag中所有属性

print（soup.p.attrs）

（3）NavigableString：获取标记内部的文字.string

BeautifulSoup用 NavigableString类来封装Tag中的字符串，一个 NavigableString字符串与Python中的Unicode字符串相同，通过unicode（）方法可以直接将 NavigableString对象转换成Unicode字符串

如：u_string = unicode(soup.p.string)

（4）Comment：对于一些特殊对象，如果不清楚这个标记.string的情况下，可能造成数据提取混乱。因此在提取字符串时，可以判断下类型：

if type(soup.a.string) == bs4.element.Comment:

print(soup.a.string)

5、遍历文档

（1）子节点：

A、对于直接子节点可以通过 .contents 和 .children来访问

.contents —->将Tag子节点以列表的方式输出

print（soup.head.contents）

.children —–>返回一个生成器，对Tag子节点进行循环

for child in soup.head.children:

print（child）

B、获取子节点的内容

.string —> 如果标记里没有标记了，则返回内容；如果标记里只有一个唯一的标记，则返回最里面的内容；如果包含多个子节点，Tag无法确定.string方法应该返回哪个时，则返回None

.strings —->主要应用于Tag中包含多个字符串的情况，可以进行循环遍历

for str in soup.strings:

print（repr(str)）

.stripped_string —–>可以去掉字符串中包含的空格或空行

for str in soup.stripped_strings:

print(repr(str))

（2）父节点

A、通过.parent属性来获取某个元素的父节点，如：

print（soup.title.parent）

B、通过.parents属性可以递归得到元素的所有父辈节点

for parent in soup.a.parents:

if parent is None:

print(parent)

else:

print(parent.name)

（3）兄弟节点

. next_sibling —–>获取该节点的下一个兄弟节点

. previous_sibling —–>获取该节点的上一个兄弟节点

（4）前后节点

. next_elements —–>获得该节点前面的所有节点

. previous_elements —–>获得该节点后面的所有节点

6、搜索文档树

（1）find_all(name,attrs,recursive,text,**kwargs)

A、name参数：查找名字为name的标记

print（soup.find_all(‘‘’’b)）

B、text参数：查找文档中字符串的内容

C、 recursive参数：检索当前Tag的所有子孙节点时，若只想找直接子节点，该参数设置为False

7、CSS选择器：使用soup.select()函数

（1）通过标记名查找

print（soup.select(“title”)）

（2）通过Tag的class属性值查找

print（soup.select(“.sister”)）

（3）通过Tag的id属性值查找

print（soup.select(“#sister”)）

（4）通过是否存在某个属性查找

print（soup.select(“a[href]”)）

（5）通过属性值查找

print（soup.select(‘a[href=”http://exam.com"]')）

参考链接：
https://www.cnblogs.com/lone5wolf/p/10881395.html
https://blog.csdn.net/IMW_MG/article/details/78220979