Python での BeautifulSoup の詳細な紹介 (コード付き)

この記事では、Python での BeautifulSoup の詳細な紹介 (コード付き) を紹介します。これには一定の参考価値があります。必要な友人は参照できます。お役に立てれば幸いです。

Beautiful Soup は、ナビゲーション、検索、解析ツリーの変更、その他の機能を処理するための、いくつかのシンプルな Python スタイルの関数を提供します。これは、ドキュメントを解析することによって、クロールする必要があるデータをユーザーに提供するツールボックスです。シンプルなので、多くのコードを使用せずに完全なアプリケーションを作成できます。 Beautiful Soup は、入力ドキュメントを Unicode エンコードに、出力ドキュメントを UTF-8 エンコードに自動的に変換します。ドキュメントでエンコード方式が指定されていない限り、エンコード方式を考慮する必要はありません。その場合、Beautiful Soup はエンコード方式を自動的に識別できません。あとは、元のエンコード方式を指定するだけです。 Beautiful Soup は、lxml や html6lib のような優れた Python インタプリタとなり、ユーザーにさまざまな解析戦略や強力な速度を提供する柔軟性を提供します。

インストール

pip install BeautifulSoup4
easy_install BeautifulSoup4

BeautifulSoup オブジェクトの作成

まず、BS4 import BeautifulSoup から BeautifulSoup クラス ライブラリをインポートする必要があります。

開始する前に、デモンストレーションを容易にするために、次のように HTML テキストを作成します。

html = """
100db36a723c770d327fc0aef2ce13b193f0f5c25f18dab9d176bd4f6de5d30eb2386ffb911b14667cb8f0f91ea547a7The Dormouse's story6e916e0f7d1e588d4f442bf645aedb2f9c3bca370b5104690d9ef395f2c5f8d1
6c04bd5ca3fcae76e30b72ad730ca86d
05e236577ecac3f9a3d90f159545af5aa4b561c25d9afb9ac8dc4d70affff419The Dormouse's story0d36329ec37a2cc24d42c7229b69747a94b3e26ee717c64999d7867364b1b4a3
a0d1e8d16fe601bf29354e6acb221fcbOnce upon a time there were three little sisters; and their names were
747819aac49e9b7ced661fbcc7010109aa00d70d2c18f503a39ef85c46c873695db79b134e9f6b82c0b36e0489ee08ed,
fbd48bad0affd5b68fcdcc8c50fb5c9fLacie5db79b134e9f6b82c0b36e0489ee08ed and
915167aa6cfdd7364186bd8692bf4ee9Tillie5db79b134e9f6b82c0b36e0489ee08ed;
and they lived at the bottom of a well.94b3e26ee717c64999d7867364b1b4a3
a0d1e8d16fe601bf29354e6acb221fcb...94b3e26ee717c64999d7867364b1b4a3
"""

オブジェクトの作成:Soup=BeautifulSoup(html,'lxml')、ここでの lxml は解析クラスです。ライブラリ、今のところ個人的にはこれが一番良いパーサーだと思って使っています インストール方法：pip install lxml

Tag

Tag はタグですHTML では、BeautifulSoup を使用して、タグの特定のコンテンツを解析できます。特定の形式は、soup.name です。名前は HTML の下のタグです。具体的な例は次のとおりです:

printSoup.title 出力このタグを含む、title タグの下のコンテンツ。これにより、b2386ffb911b14667cb8f0f91ea547a7ヤマネの物語6e916e0f7d1e588d4f442bf645aedb2f

printSoup.head

注: が出力されます。

ここでの形式では最初のタグのみ取得可能です。複数のタグを取得する方法については後述します。タグには、name と attrs という 2 つの重要な属性があり、それぞれ名前と属性を表します。導入は次のとおりです:

name: タグの場合、その名前はそれ自体です (soup.p.name is p など)。

attrs は辞書タイプであり、属性値に対応します (printSoup.p.attrs など)。出力は {'class': ['title'], 'name': 'dromouse'} です。もちろん、 printSoup.p.attrs['class'] などの特定の値を取得することもできます。1 つの属性が複数の値に対応する可能性があるため、出力は [title] がリスト タイプであることになります。 get メソッドを通じて取得します。属性 (printSoup.p.get('class') など)。 printSoup.p['class']

get

get メソッドを直接使用して、ラベルの下の属性値を取得することもできます。メソッド。多くの状況で使用できます。たとえば、タグ 37fedd229deff3da429c2e8ecb09f9ed の下にある画像の URL を取得したい場合は、soup.img.get('src') を使用できます。

print soup.p.get("class")   #得到第一个p标签下的src属性

string

タグの下のテキスト コンテンツを取得します。コンテンツは、このタグの下にサブタグがない場合、またはサブタグのみがある場合にのみ返されます。 1 つのサブタグ。それ以外の場合は None が返されます。具体的な例は次のとおりです。 :

print soup.p.string #在上面的一段文本中p标签没有子标签，因此能够正确返回文本的内容
print soup.html.string  #这里得到的就是None,因为这里的html中有很多的子标签

get_text()

子孫のコンテンツを含む、タグ内のすべてのテキスト コンテンツを取得できますこれは最も一般的に使用される方法です。

ドキュメント ツリーの検索

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

find_all は、ノードの検索に使用されます。フィルタリング条件を満たすノード内のすべてのノード

1.name パラメータ: p、p、title などのタグ名....

soup.find_all("p" ) すべての p タグを検索し、[ヤマネの物語 ] を返します。これは走査可能です。次のように各ノードを取得します。

ps=soup.find_all("p")
for p in ps:
print p.get('class')   #得到p标签下的class属性

正規表現を渡します。soap.find_all(re.compile) (r'^b') b で始まるすべてのタグを検索するには、ここの body タグと b タグは次のようになります。

受信クラス リストを検索します。リスト パラメーターを渡すと、BeautifulSoup は任意の要素に一致するコンテンツを返します。次のコードは、ドキュメント内のすべての 3499910bf9dac5ae3c52d5ede7383485 タグと a4b561c25d9afb9ac8dc4d70affff419tag

soup.find_all(["a", "b"])

2.KeyWords パラメーターを渡します。属性と対応する属性値、またはその他の式

soup.find_all( id='link2') を指定すると、ID 属性 link2 を持つすべてのタグが検索されます。正規表現のSoup.find_all(を渡します)。 href=re.compile("elsie"))、正規表現タグ
を満たすすべての href 属性が検索されます。 複数の値を渡します:Soup.find_all(id='link2',class_='title')。両方の属性を満たすタグを検索します。クラスは Python のキーワードであるため、ここでのクラスはパラメーターで class_pass を使用する必要があります。

一部の属性は、上記の方法では直接検索できません (html5 の data-* 属性など)。ただし、次のように、attrs パラメータを通じて辞書パラメータを指定して、特別な属性のタグを含むアイテムを検索できます:

# [e12324b9712a39ea9bb9d21f9187a39bfoo!94b3e26ee717c64999d7867364b1b4a3]
data_soup.find_all(attrs={"data-foo": "value"})   #注意这里的atts不仅能够搜索特殊属性，亦可以搜索普通属性
soup.find_all("p",attrs={'class':'title','id':'value'})  #相当与soup.find_all('p',class_='title',id='value')

3. text パラメータ: text パラメータは、テキスト パラメータを使用して、 name パラメータのオプションの値と同様に、text パラメータは文字列、正規表現、リスト、True

を受け入れます。

soup.find_all(text="Elsie")
# [u'Elsie']
 
soup.find_all(text=["Tillie", "Elsie", "Lacie"])
# [u'Elsie', u'Lacie', u'Tillie']
 
soup.find_all(text=re.compile("Dormouse"))
[u"The Dormouse's story", u"The Dormouse's story"]

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,代码如下：

soup.find_all("a", limit=2)
# [31602ad08f2e88060105421a6fd98432Elsie5db79b134e9f6b82c0b36e0489ee08ed,
#  7a2353bc01007f1e0b12a80523342380Lacie5db79b134e9f6b82c0b36e0489ee08ed]

5.recursive 参数:调用tag的 find_all() 方法时,BeautifulSoup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

find( name , attrs , recursive , text , **kwargs )

它与 find_all() 方法唯一的区别是 find_all() 方法的返回结果是值包含一个元素的列表,而 find() 方法直接返回结果,就是直接返回第一匹配到的元素，不是列表，不用遍历，如soup.find("p").get("class")

css选择器

我们在写 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

通过标签名查找

print soup.select('title') 
#[b2386ffb911b14667cb8f0f91ea547a7The Dormouse's story6e916e0f7d1e588d4f442bf645aedb2f]
print soup.select('a')
#[31602ad08f2e88060105421a6fd98432aa00d70d2c18f503a39ef85c46c873695db79b134e9f6b82c0b36e0489ee08ed, 7a2353bc01007f1e0b12a80523342380Lacie5db79b134e9f6b82c0b36e0489ee08ed, de05147b7e6ab3a313271cf7987ced2eTillie5db79b134e9f6b82c0b36e0489ee08ed]

通过类名查找

print soup.select('.sister')
#[31602ad08f2e88060105421a6fd98432aa00d70d2c18f503a39ef85c46c873695db79b134e9f6b82c0b36e0489ee08ed, 7a2353bc01007f1e0b12a80523342380Lacie5db79b134e9f6b82c0b36e0489ee08ed, de05147b7e6ab3a313271cf7987ced2eTillie5db79b134e9f6b82c0b36e0489ee08ed]

通过id名查找

print soup.select('#link1')
#[31602ad08f2e88060105421a6fd98432aa00d70d2c18f503a39ef85c46c873695db79b134e9f6b82c0b36e0489ee08ed]

组合查找

学过css的都知道css选择器，如p #link1是查找p标签下的id属性为link1的标签

print soup.select('p #link1')    #查找p标签中内容为id属性为link1的标签
#[31602ad08f2e88060105421a6fd98432aa00d70d2c18f503a39ef85c46c873695db79b134e9f6b82c0b36e0489ee08ed]
print soup.select("head > title")   #直接查找子标签
#[b2386ffb911b14667cb8f0f91ea547a7The Dormouse's story6e916e0f7d1e588d4f442bf645aedb2f]

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。

print soup.select('a[class="sister"]')
#[31602ad08f2e88060105421a6fd98432aa00d70d2c18f503a39ef85c46c873695db79b134e9f6b82c0b36e0489ee08ed, 7a2353bc01007f1e0b12a80523342380Lacie5db79b134e9f6b82c0b36e0489ee08ed, de05147b7e6ab3a313271cf7987ced2eTillie5db79b134e9f6b82c0b36e0489ee08ed]
print soup.select('a[href="http://example.com/elsie"]')
#[31602ad08f2e88060105421a6fd98432aa00d70d2c18f503a39ef85c46c873695db79b134e9f6b82c0b36e0489ee08ed]

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,代码如下：

print soup.select('p a[href="http://example.com/elsie"]')
#[31602ad08f2e88060105421a6fd98432aa00d70d2c18f503a39ef85c46c873695db79b134e9f6b82c0b36e0489ee08ed]

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

soup = BeautifulSoup(html, 'lxml')
print type(soup.select('title'))
print soup.select('title')[0].get_text()
for title in soup.select('title'):
    print title.get_text()

修改文档树

Beautiful
Soup的强项是文档树的搜索,但同时也可以方便的修改文档树,这个虽说对于一些其他的爬虫并不适用，因为他们都是爬文章的内容的，并不需要网页的源码并且修改它们

修改tag的名称和属性

html="""
e388a4556c0f65e1904146cc1a846beed2c395f0cf9fe1d72e22dafe568458c8修改文档树5db79b134e9f6b82c0b36e0489ee08ed94b3e26ee717c64999d7867364b1b4a3
"""
soup=BeautifulSoup(html,'lxml')
tag=soup.a    #得到标签a，可以使用print tag.name输出标签
tag['class']='content'    #修改标签a的属性class和p
tag['p']='nav'

修改.string

注意这里如果标签的中还嵌套了子孙标签，那么如果直接使用string这个属性会将这里的所有的子孙标签都覆盖掉

html="""
e388a4556c0f65e1904146cc1a846beed2c395f0cf9fe1d72e22dafe568458c8修改文档树5db79b134e9f6b82c0b36e0489ee08ed94b3e26ee717c64999d7867364b1b4a3
"""
soup=BeautifulSoup(html,'lxml')
tag=soup.a
tag.string='博客'   #这里会将修改文档树变成修改的内容
print  tag
soup.p.string='博客'   #这里修改了p标签的内容，那么就会覆盖掉a标签，直接变成的修改后的文本
print soup

append

append的方法的作用是在在原本标签文本后面附加文本，就像python中列表的append方法

html="""
e388a4556c0f65e1904146cc1a846beed2c395f0cf9fe1d72e22dafe568458c8修改文档树5db79b134e9f6b82c0b36e0489ee08ed94b3e26ee717c64999d7867364b1b4a3
"""
soup=BeautifulSoup(html,'lxml')
soup.a.append("博客")    #在a标签和面添加文本，这里的文本内容将会变成修改文档树陈加兵的博客
print soup
print soup.a.contents    #这里输出a标签的内容，这里的必定是一个带有两个元素的列表

注意这里的append方法也可以将一个新的标签插入到文本的后面，下面将会讲到

new_tag

相信学过js的朋友都知道怎样创建一个新的标签，这里的方法和js中的大同小异，使用的new_tag

html="""
e388a4556c0f65e1904146cc1a846beee388a4556c0f65e1904146cc1a846bee
"""
soup=BeautifulSoup(html,'lxml')
tag=soup.p
new_tag=soup.new_tag('a')    #创建一个新的标签a
new_tag['href']='#'    #添加属性
new_tag.string='博客'  #添加文本
print new_tag      
tag.append(new_tag)    #将新添加的标签写入到p标签中
print tag

insert

Tag.insert() 方法与 Tag.append() 方法类似,区别是不会把新元素添加到父节点 .contents
属性的最后,而是把元素插入到指定的位置.与Python列表总的 .insert() 方法的用法下同:

html="""
e388a4556c0f65e1904146cc1a846beee388a4556c0f65e1904146cc1a846bee
"""
soup=BeautifulSoup(html,'lxml')
tag=soup.p
new_tag=soup.new_tag('a')
new_tag['href']='#'
new_tag.string='博客'
tag.append("欢迎来到")  #这里向p标签中插入文本，这个文本在contents下的序号为0
tag.insert(1,new_tag)   #在contents序号为1的位置插入新的标签，如果这里修改成0，那么将会出现a标签将会出现在欢饮来到的前面
print tag

注意这的1是标签的内容在contents中的序号，可以用print tag.contents查看当前的内容

insert_before() 和 insert_after()

insert_before() 方法在当前tag或文本节点前插入内容,insert_after() 方法在当前tag或文本节点后插入内容:

soup = BeautifulSoup("a4b561c25d9afb9ac8dc4d70affff419stop0d36329ec37a2cc24d42c7229b69747a")
tag = soup.new_tag("i")
tag.string = "Don't"
soup.b.string.insert_before(tag)
soup.b
# a4b561c25d9afb9ac8dc4d70affff4195a8028ccc7a7e27417bff9f05adf5932Don't72ac96585ae54b6ae11f849d2649d9e6stop0d36329ec37a2cc24d42c7229b69747a
soup.b.i.insert_after(soup.new_string(" ever "))
soup.b
# a4b561c25d9afb9ac8dc4d70affff4195a8028ccc7a7e27417bff9f05adf5932Don't72ac96585ae54b6ae11f849d2649d9e6 ever stop0d36329ec37a2cc24d42c7229b69747a
soup.b.contents
# [5a8028ccc7a7e27417bff9f05adf5932Don't72ac96585ae54b6ae11f849d2649d9e6, u' ever ', u'stop']

clear

clear用来移除当前节点的所有的内容，包括其中的子孙节点和文本内容

html="""
e388a4556c0f65e1904146cc1a846beee388a4556c0f65e1904146cc1a846bee
"""
soup=BeautifulSoup(html,'lxml')
tag=soup.p
new_tag=soup.new_tag('a')
new_tag['href']='#'
new_tag.string='博客'
tag.append("欢迎来到")
tag.insert(1,new_tag)
tag.clear()    #这里将会移除所有内容
print tag

以上がPython での BeautifulSoup の詳細な紹介 (コード付き)の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。