Python が Beautiful Soup (BS4) ライブラリを使用して HTML と XML を解析する方法
- 王林転載
- 2023-05-13 21:55:041743ブラウズ
1. Beautiful Soup の概要:
Beautiful Soup は、HTML または XML ファイルからデータを抽出する Python ライブラリをサポートします;
Python 標準ライブラリの HTML パーサーをサポートし、また、サードパーティのパーサー lxml の一部。
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。
#インストール:pip install beautifulsoup4
パーサーのインストールオプション
pip install lxml
- #pip install html5lib
このような HTML があるとします。具体的な内容は次のとおりです。
<!DOCTYPE html>
<html>
<head>
<meta content="text/html;charset=utf-8" http-equiv="content-type" />
<meta content="IE=Edge" http-equiv="X-UA-Compatible" />
<meta content="always" name="referrer" />
<link href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css" rel="external nofollow" rel="stylesheet" type="text/css" />
<title>百度一下，你就知道 </title>
</head>
<body link="#0000cc">
<div id="wrapper">
<div id="head">
<div class="head_wrapper">
<div id="u1">
<a class="mnav" href="http://news.baidu.com" rel="external nofollow" name="tj_trnews">新闻 </a>
<a class="mnav" href="https://www.hao123.com" rel="external nofollow" name="tj_trhao123">hao123 </a>
<a class="mnav" href="http://map.baidu.com" rel="external nofollow" name="tj_trmap">地图 </a>
<a class="mnav" href="http://v.baidu.com" rel="external nofollow" name="tj_trvideo">视频 </a>
<a class="mnav" href="http://tieba.baidu.com" rel="external nofollow" rel="external nofollow" name="tj_trtieba">贴吧 </a>
<a class="bri" href="//www.baidu.com/more/" rel="external nofollow" name="tj_briicon" >更多产品 </a>
</div>
</div>
</div>
</div>
</body>
</html>beautifulsoup4 オブジェクトを作成します。
from bs4 import BeautifulSoup
file = open('./aa.html', 'rb')
html = file.read()
bs = BeautifulSoup(html, "html.parser") # 缩进格式
print(bs.prettify()) # 格式化html结构
print(bs.title) #
print(bs.title.name) # 获取title标签的名称 :title
print(bs.title.string) # 获取title标签的文本内容 : 百度一下，你就知道
print(bs.head) # 获取head标签的所有内容 :
print(bs.div) # 获取第一个div标签中的所有内容 :
print(bs.div["id"]) # 获取第一个div标签的id的值 : wrapper
print(bs.a) # 获取第一个a标签中的所有内容 : <a href="http://news.baidu.com/" rel="external nofollow" target="_blank">新闻 </a>
print(bs.find_all("a")) # 获取所有的a标签中的所有内容 : [....]
print(bs.find(id="u1")) # 获取id="u1"的所有内容 :
for item in bs.find_all("a"): # 获取所有的a标签，并遍历打印a标签中的href的值 :
print(item.get("href"))
for item in bs.find_all("a"): # 获取所有的a标签，并遍历打印a标签的文本值:
print(item.get_text())3. BeautifulSoup4 オブジェクトの主な 4 種類
BeautifulSoup4 は複雑な HTML を変換します ドキュメントは複雑なツリー構造に変換されます 各ノードは Python オブジェクトです すべてのオブジェクトは 4 つのタイプに要約できます: Tag, NavigableString, BeautifulSoup, Comment,
1, Tag : Tag
## 平たく言えば、#Tag は HTML のタグです。例:print(bs.title) # 获取title标签的所有内容
print(bs.head) # 获取head标签的所有内容
print(bs.a) # 获取第一个a标签的所有内容
print(type(bs.a))# 类型
スープを使用してタグ名を追加すると、これらのタグの内容を簡単に取得できます。これらのオブジェクトは bs4.element.Tag です。ただし、すべてのコンテンツで最初に一致するタグが検索されることに注意してください。 タグの場合、2 つの重要な属性、name と attrs:
print(bs.name) # [document] #bs 对象本身比较特殊，它的 name 即为 [document] print(bs.head.name) # head #对于其他内部标签，输出的值便为标签本身的名称 print(bs.a.attrs) # 在这里，我们把 a 标签的所有属性打印输出了出来，得到的类型是一个字典。 print(bs.a['class']) ##还可以利用get方法，传入属性的名称，二者是等价的，等价 bs.a.get('class') bs.a['class'] = "newClass"# 可以对这些属性和内容等等进行修改 print(bs.a) del bs.a['class'] # 还可以对这个属性进行删除 print(bs.a)2 があります。NavigableString: タグ内のテキストラベルのコンテンツを取得したので、問題は、ラベル内のテキストを取得したい場合はどうすればよいかということです。非常に簡単で、.string を使用するだけです (例:
print(bs.title.string) # 百度一下，你就知道
print(type(bs.title.string)) #
3. BeautifulSoup: ドキュメントのコンテンツ BeautifulSoup オブジェクトはドキュメントのコンテンツを表します。ほとんどの場合、これは特殊なタグである Tag オブジェクトと見なすことができ、そのタイプ、名前、属性をそれぞれ取得できます (例: print(type(bs.name)) #
print(bs.name) # [document]
print(bs.attrs) # {}
4)。 コメント: コメントComment オブジェクトは特別なタイプの NavigableString オブジェクトであり、その出力コンテンツにはコメント記号は含まれません。
print(bs.a)
# 此时不能出现空格和换行符，a标签如下：
#
print(bs.a.string) # 新闻
print(type(bs.a.string)) #
4. ドキュメント ツリーのトラバースに使用されるプロパティ
- .contents:
- タグのすべての子ノードを取得し、リストを返します
print(bs.head.contents) # tag的.contents属性可以将tag的子节点以列表的方式输出:[...] print(bs.head.contents[1]) # 用列表索引来获取它的某一个元素:
#.
- タグのすべての子ノードを取得し、ジェネレーターを返します
for child in bs.body.children: print(child)##.descendants
-
##.parent: タグ
## の親ノードを取得 #.parents: 親要素のすべてのノードを再帰的に取得し、ジェネレーターを返します。
.previous_sibling: Get現在のタグの前のノード。属性は通常文字列または空白です。実際の結果は、現在のタグと前のタグの間のカンマと改行文字です
- ##.next_sibling
: 現在のタグの次のノードを取得します。属性は通常、文字列または空白です。結果は、現在のタグと次のタグの間にあるカンマと改行文字です。
- .previous_siblings
: 現在のタグより上のすべての兄弟ノードを取得し、ジェネレーターを返します。
- .next_siblings
: 現在のタグより下のすべての兄弟ノードを取得しますTag 、ジェネレーターを返します
- .previous_element
: 解析プロセス中に最後に解析されたオブジェクト (文字列またはタグ) を取得します。これは、previous_sibling と同じである可能性がありますが、通常は異なります
- .next_element
: 解析プロセス中に次に解析されるオブジェクト (文字列またはタグ) を取得します。これは next_sibling と同じである可能性がありますが、通常は異なります。
- #.previous_elements
: ドキュメント
- の解析されたコンテンツに転送アクセスできるジェネレーターを返します。 next_elements
: ドキュメントの解析されたコンテンツに逆方向にアクセスできるジェネレーターを返します。
- .strings
: タグに複数の文字列が含まれる場合、つまり、子孫ノードのコンテンツを取得するには、これを使用して
- .stripped_strings
を取得し、走査します。使用方法は、冗長なものを除いて文字列と同じです。削除可能 空白のコンテンツ
- .has_attr:
タグに属性が含まれているかどうかを判定
5. ドキュメントツリーを検索 -
1. find_all(): フィルター
find_all(name, attrs, recursive, text, **kwargs):
find_all フィルターは次の場所で使用できます。 tag 名前やノードの属性など。
(1) 名前パラメータ:
文字列フィルタリング: 文字列に完全に一致するコンテンツを検索します
a_list = bs.find_all("a")
print(a_list)正規表現フィルタリング: 正規表現が渡された場合、BeautifulSoup4 は search() を通じてコンテンツと一致します。
import re
t_list = bs.find_all(re.compile("a"))
for item in t_list:
print(item)List: リストが渡された場合、BeautifulSoup4 はリストと一致します。の任意の要素は
t_list = bs.find_all(["meta","link"])
for item in t_list:
print(item)Method を返します。メソッドを渡し、メソッドに基づいて
と一致します。def name_is_exists(tag):
return tag.has_attr("name")
t_list = bs.find_all(name_is_exists)
for item in t_list:
print(item)（2）kwargs参数：
t_list = bs.find_all(id="head") # 查询id=head的Tag
t_list = bs.find_all(href=re.compile(http://news.baidu.com)) # 查询href属性包含ss1.bdstatic.com的Tag
t_list = bs.find_all(class_=True) # 查询所有包含class的Tag(注意：class在Python中属于关键字，所以加_以示区别)
for item in t_list:
print(item)（3）attrs参数：
并不是所有的属性都可以使用上面这种方式进行搜索，比如HTML的data-*属性：
t_list = bs.find_all(data-foo="value")
如果执行这段代码，将会报错。我们可以使用attrs参数，定义一个字典来搜索包含特殊属性的tag：
t_list = bs.find_all(attrs={"data-foo":"value"})
for item in t_list:
print(item)（4）text参数：
通过text参数可以搜索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
t_list = bs.find_all(text="hao123")
t_list = bs.find_all(text=["hao123", "地图", "贴吧"])
t_list = bs.find_all(text=re.compile("\d"))当我们搜索text中的一些特殊属性时，同样也可以传入一个方法来达到我们的目的：
def length_is_two(text):
return text and len(text) == 2
t_list = bs.find_all(text=length_is_two)（5）limit参数：
可以传入一个limit参数来限制返回的数量，当搜索出的数据量为5，而设置了limit=2时，此时只会返回前2个数据
t_list = bs.find_all("a",limit=2)find_all除了上面一些常规的写法，还可以对其进行一些简写：
# 下面两者是相等的
t_list = bs.find_all("a")
t_list = bs("a")
# 下面两者是相等的
t_list = bs.a.find_all(text="新闻")
t_list = bs.a(text="新闻")2、find()
find()将返回符合条件的第一个Tag，有时我们只需要或一个Tag时，我们就可以用到find()方法了。当然了，也可以使用find_all()方法，传入一个limit=1，然后再取出第一个值也是可以的，不过未免繁琐。
t_list = bs.find_all("title",limit=1) # 返回只有一个结果的列表
t = bs.find("title") # 返回唯一值
t = bs.find("abc") # 如果没有找到，则返回None从结果可以看出find_all，尽管传入了limit=1，但是返回值仍然为一个列表，当我们只需要取一个值时，远不如find方法方便。但是如果未搜索到值时，将返回一个None。
在上面介绍BeautifulSoup4的时候，我们知道可以通过bs.div来获取第一个div标签，如果我们需要获取第一个div下的第一个div，我们可以这样：
t = bs.div.div
# 等价于
t = bs.find("div").find("div")六、CSS选择器：select()方法
BeautifulSoup支持部分的CSS选择器，在Tag获取BeautifulSoup对象的.select()方法中传入字符串参数，即可使用CSS选择器的语法找到Tag:
print(bs.select('title')) # 1、通过标签名查找
print(bs.select('a'))
print(bs.select('.mnav')) # 2、通过类名查找
print(bs.select('#u1')) # 3、通过id查找
print(bs.select('div .bri')) # 4、组合查找
print(bs.select('a[class="bri"]')) # 5、属性查找
print(bs.select('a[href="http://tieba.baidu.com" rel="external nofollow" rel="external nofollow" ]'))
print(bs.select("head > title")) # 6、直接子标签查找
print(bs.select(".mnav ~ .bri")) # 7、兄弟节点标签查找
print(bs.select('title')[0].get_text()) # 8、获取内容七、综合实例：
from bs4 import BeautifulSoup
import requests,re
req_obj = requests.get('https://www.baidu.com')
soup = BeautifulSoup(req_obj.text,'lxml')
'''标签查找'''
print(soup.title) #只是查找出第一个
print(soup.find('title')) #效果和上面一样
print(soup.find_all('div')) #查出所有的div标签
'''获取标签里的属性'''
tag = soup.div
print(tag['class']) #多属性的话，会返回一个列表
print(tag['id']) #查找标签的id属性
print(tag.attrs) #查找标签所有的属性，返回一个字典（属性名：属性值）
'''标签包的字符串'''
tag = soup.title
print(tag.string) #获取标签里的字符串
tag.string.replace_with("哈哈") #字符串不能直接编辑，可以替换
'''子节点的操作'''
tag = soup.head
print(tag.title) #获取head标签后再获取它包含的子标签
'''contents 和 .children'''
tag = soup.body
print(tag.contents) #将标签的子节点以列表返回
print([child for child in tag.children]) #输出和上面一样
'''descendants'''
tag = soup.body
[print(child_tag) for child_tag in tag.descendants] #获取所有子节点和子子节点
'''strings和.stripped_strings'''
tag = soup.body
[print(str) for str in tag.strings] #输出所有所有文本内容
[print(str) for str in tag.stripped_strings] #输出所有所有文本内容，去除空格或空行
'''.parent和.parents'''
tag = soup.title
print(tag.parent) #输出便签的父标签
[print(parent) for parent in tag.parents] #输出所有的父标签
'''.next_siblings 和 .previous_siblings
查出所有的兄弟节点
'''
'''.next_element 和 .previous_element
下一个兄弟节点
'''
'''find_all的keyword 参数'''
soup.find_all(id='link2') #查找所有包含 id 属性的标签
soup.find_all(href=re.compile("elsie")) #href 参数,Beautiful Soup会搜索每个标签的href属性:
soup.find_all(id=True) #找出所有的有id属性的标签
soup.find_all(href=re.compile("elsie"), id='link1') #也可以组合查找
soup.find_all(attrs={"属性名": "属性值"}) #也可以通过字典的方式查找八、BeautifulSoup 和lxml（Xpath）对比
# test.py
# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup, SoupStrainer
import traceback
import json
from lxml import etree
import re
import time
def getHtmlText(url):
try:
r = requests.get(url, headers=headers)
r.raise_for_status()
if r.encoding == 'ISO-8859-1':
r.encoding = r.apparent_encoding
return r.text
except:
traceback.print_exc()
# ----------使用BeautifulSoup解析------------------------
def parseWithBeautifulSoup(html_text):
soup = BeautifulSoup(html_text, 'lxml')
content = []
for mulu in soup.find_all(class_='mulu'): # 先找到所有的 div class=mulu 标记
# 找到div_h3 标记
h3 = mulu.find('h3')
if h3 != None:
h3_title = h3.string # 获取标题
lst = []
for a in mulu.select('div.box a'):
href = a.get('href') # 找到 href 属性
box_title = a.get('title') # 找到 title 属性
pattern = re.compile(r'\s*\[(.*)\]\s+(.*)') # (re) 匹配括号内的表达式，也表示一个组
match = pattern.search(box_title)
if match != None:
date = match.group(1)
real_title = match.group(2)
lst.append({'href':href,'title':real_title,'date':date})
content.append({'title':h3_title,'content':lst})
with open('dmbj_bs.json', 'w') as fp:
json.dump(content, fp=fp, indent=4)
# ----------使用Xpath解析------------------------
def parseWithXpath(html_text):
html = etree.HTML(html_text)
content = []
for div_mulu in html.xpath('.//*[@class="mulu"]')： # 先找到所有的 div class=mulu 标记
# 找到所有的 div_h3 标记
div_h3 = div_mulu.xpath('./div[@class="mulu-title"]/center/h3/text()')
if len(div_h3) > 0:
h3_title = div_h3[0] # 获取标题
a_s = div_mulu.xpath('./div[@class="box"]/ul/li/a')
lst = []
for a in a_s:
href = a.xpath('./@href')[0] # 找到 href 属性
box_title = a.xpath('./@title')[0] # 找到 title 属性
pattern = re.compile(r'\s*\[(.*)\]\s+(.*)') # (re) 匹配括号内的表达式，也表示一个组
match = pattern.search(box_title)
if match != None:
date = match.group(1)
real_title = match.group(2)
lst.append({'href':href,'title':real_title,'date':date})
content.append({'title':h3_title,'content':lst})
with open('dmbj_xp.json', 'w') as fp:
json.dump(content, fp=fp, indent=4)
def main():
html_text = getHtmlText('http://www.seputu.com')
print(len(html_text))
start = time.clock()
parseWithBeautifulSoup(html_text)
print('BSoup cost:', time.clock()-start)
start = time.clock()
parseWithXpath(html_text)
print('Xpath cost:', time.clock()-start)
if __name__ == '__main__':
user_agent = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.117 Safari/537.36'
headers={'User-Agent': user_agent}
main()以上がPython が Beautiful Soup (BS4) ライブラリを使用して HTML と XML を解析する方法の詳細内容です。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。
声明：
この記事はyisu.comで複製されています。侵害がある場合は、admin@php.cn までご連絡ください。