Python의 BeautifulSoup에 대한 자세한 소개(코드 포함)

이 기사는 Python의 BeautifulSoup에 대한 자세한 소개를 제공합니다(코드 포함). 도움이 필요한 친구들이 참고할 수 있기를 바랍니다.

Beautiful Soup은 탐색, 검색, 구문 분석 트리 수정 및 기타 기능을 처리하는 몇 가지 간단한 Python 스타일 기능을 제공합니다. 문서를 구문 분석하여 크롤링에 필요한 데이터를 사용자에게 제공하는 도구 상자입니다. 간단하기 때문에 많은 코드 없이도 완전한 애플리케이션을 작성할 수 있습니다. Beautiful Soup은 자동으로 입력 문서를 유니코드 인코딩으로 변환하고 출력 문서를 UTF-8 인코딩으로 변환합니다. 문서가 인코딩 방법을 지정하지 않는 한 인코딩 방법을 고려할 필요가 없습니다. 이 경우 뷰티플수프는 인코딩 방법을 자동으로 식별할 수 없습니다. 그런 다음 원래 인코딩 방법을 지정하기만 하면 됩니다. Beautiful Soup은 lxml 및 html6lib와 같은 뛰어난 Python 인터프리터가 되어 사용자에게 다양한 구문 분석 전략이나 강력한 속도를 제공할 수 있는 유연성을 제공합니다.

Installation

pip install BeautifulSoup4
easy_install BeautifulSoup4

Create BeautifulSoup object

먼저 bs4 import BeautifulSoup

에서 BeautifulSoup 클래스 라이브러리를 가져와야 합니다. 시작하기 전에 데모의 편의를 위해 다음과 같이 html 텍스트를 먼저 만듭니다.

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
"""

Create Object: Soup=BeautifulSoup(html,'lxml'), lxml 여기 파싱을 위한 클래스 라이브러리가 있습니다. 현재 제가 사용하고 있는 설치 방법 중 가장 좋은 것 같습니다. pip install lxml

Tag

Tag는 BeautifulSoup을 사용하여 태그의 특정 콘텐츠를 구문 분석할 수 있습니다. 여기서 이름은 html 아래의 태그입니다.

print Soup.title은 제목 태그를 출력합니다. 이 태그를 포함한 아래 콘텐츠는 b2386ffb911b14667cb8f0f91ea547a7The Dormouse's story6e916e0f7d1e588d4f442bf645aedb2f

print Soup.head

참고:

여기 형식은 여러 개의 태그를 얻는 방법은 나중에 설명하겠습니다. 태그에는 이름과 속성을 각각 나타내는 두 가지 중요한 속성인 name과 attrs가 있습니다. 소개는 다음과 같습니다.

name: 태그의 경우 이름은 자체입니다. 예를 들어 수프.p.name은 p

attrs입니다. print Soup.p.attrs와 같은 속성-값에 해당하는 사전 유형의 경우 출력은 {'class': ['title'], 'name': 'dromuse'}입니다. 물론 특정 항목도 얻을 수 있습니다. 예를 들어, 수프.p.attrs['class']를 인쇄하면 속성이 여러 값에 해당할 수 있으므로 [제목]이 목록 유형이라는 결과가 출력됩니다. 물론 get을 통해 속성을 가져올 수도 있습니다. 예를 들어, 수프를 인쇄합니다. p.get('class'). print Soup.p['class']

get

get 메소드를 직접 사용하여 라벨 아래의 속성 값을 가져올 수도 있습니다. 이는 중요한 메소드이며 많은 상황에서 사용될 수 있습니다. 37fedd229deff3da429c2e8ecb09f9ed 태그 아래의 이미지 URL을 얻으려면 수프.img.get('src')를 사용할 수 있습니다. 구체적인 분석은 다음과 같습니다:

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

string

Get 태그 아래의 텍스트 콘텐츠만 이 태그 아래에 하위 태그가 없거나 하위 태그가 하나만 있는 경우에만 콘텐츠가 반환될 수 있으며, 그렇지 않으면 None이 반환됩니다. 구체적인 예는 다음과 같습니다.

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 ()

하위 노드의 내용을 포함하여 태그의 모든 텍스트 내용을 가져올 수 있습니다. 이것은 가장 일반적으로 사용되는 방법입니다.

문서 트리 검색

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

find_all은 필터 조건을 만족하는 노드 내 모든 노드를 검색하는 데 사용됩니다

1 .name 매개변수: p, p, title과 같은 태그의 이름입니다.....

soup.find_all ("p")는 모든 p 태그를 찾아 [The Dormouse's story]를 반환합니다. 다음과 같이 A 노드를 순회하여 각 태그를 얻을 수 있습니다.

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

정규식을 전달합니다: Soup.find_all(re.compile(r') ^b')를 사용하면 b로 시작하는 모든 태그를 찾을 수 있습니다. 여기서 body 및 b 태그를 모두 찾을 수 있습니다.

클래스 목록에 전달: 목록 매개변수가 전달되면 BeautifulSoup은 목록의 모든 요소와 일치하는 콘텐츠를 반환합니다. 다음 코드는 모든 3499910bf9dac5ae3c52d5ede7383485标签和a4b561c25d9afb9ac8dc4d70affff419tags

soup.find_all(["a", "b"])

2를 찾습니다. KeyWords 매개변수는 속성 및 해당 속성 값 또는 일부 다른 표현식

soup.find_all(id='link2')을 전달하는 것입니다. 이는 다음을 포함하는 모든 태그를 검색하고 찾습니다. id 속성 link2. 정규 표현식 수프.find_all(href=re.compile("elsie"). ))을 전달하면 href 속성이 정규 표현식을 충족하는 모든 태그를 찾습니다.
여러 값을 전달합니다: 수프.find_all( id='link2', class_='title'), 속성의 레이블, 여기의 클래스는 Python의 키워드이기 때문에 여기의 클래스는 class_와 함께 전달되어야 합니다.

일부 속성은 직접적으로 지정할 수 없습니다. html5의 data-* 속성과 같은 위의 방법을 통해 검색하지만 attrs 매개변수를 통해 지정할 수 있습니다. 사전 매개변수는 다음과 같이 특수 속성이 포함된 태그를 검색하는 데 사용됩니다.

# [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 텍스트 매개변수: 텍스트 매개변수는 문서에서 문자열 내용을 검색하는 데 사용할 수 있습니다. name 매개변수의 선택적 값과 마찬가지로 text 매개변수는 문자열, 정규식 수식, 목록, True

를 허용합니다.

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

위 내용은 Python의 BeautifulSoup에 대한 자세한 소개(코드 포함)의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!