Beautiful Soup 簡介
Beautiful Soup 是一個可以從 HTML 或 XML 文件中提取數(shù)據(jù)的 Python 庫，它提供了一些簡單的操作方式來幫助你處理文檔導航，查找，修改文檔等繁瑣的工作。因為使用簡單，所以 Beautiful Soup 會幫你節(jié)省不少的工作時間。
Beautiful Soup 安裝
你可以使用如下命令安裝 Beautiful Soup。二選一即可。
$ easy_install beautifulsoup4$ pip install beautifulsoup4
Beautiful Soup 不僅支持 Python 標準庫中的 HTML 解析器，還支持很多第三方的解析器，比如 lxml，html5lib 等。初始化 Beautiful Soup 對象時如果不指定解析器，那么 Beautiful Soup 將會選擇最合適的解析器（前提是你的機器安裝了該解析器）來解析文檔，當然你也可以手動指定解析器。這里推薦大家使用 lxml 解析器，功能強大，方便快捷，而且該解析器是唯一支持 XML 的解析器。
你可以使用如下命令來安裝 lxml 解析器。二選一即可。
$ easy_install lxml$ pip install lxml
Beautiful Soup 小試牛刀
Beautiful Soup 使用來起來非常簡單，你只需要傳入一個文件操作符或者一段文本即可得到一個構(gòu)建完成的文檔對象，有了該對象之后，就可以對該文檔做一些我們想做的操作了。而傳入的文本大都是通過爬蟲爬取過來的，所以 Beautiful Soup 和 requests 庫結(jié)合使用體驗更佳。
# demo 1from bs4 import BeautifulSoup# soup = BeautifulSoup(open(“index.html”))soup = BeautifulSoup(“indexcontent”, “lxml”) # 指定解析器print(soup.head)# 輸出結(jié)果index
Beautiful Soup 將復雜的 HTML 文檔轉(zhuǎn)換成一個復雜的樹形結(jié)構(gòu)，每個節(jié)點都是 Python 對象，所有對象可以歸納為 4 種: Tag，NavigableString，BeautifulSoup，Comment。
Tag 就是 HTML 的一個標簽，比如 p，p 標簽等，也是我們用的最多的一個對象。
NavigableString 指標簽內(nèi)部的文字，直譯就是可遍歷的字符串。
BeautifulSoup 指一個文檔的全部內(nèi)容，可以當成一個 Tag 來處理。
Comment 是一個特殊的 NavigableString，其輸出內(nèi)容不包括注視內(nèi)容。
為了故事的順利發(fā)展，我們先定義一串 HTML 文本，下文的所有例子都是基于這段文本的。
html_doc = “””index
我常用的網(wǎng)站GoogleBaiduBing
…
…
“””
子節(jié)點
Tag 有兩個很重要的屬性，name 和 attributes。期中 name 就是標簽的名字，attributes 是標簽屬性。標簽的名字和屬性是可以被修改的，注意，這種修改會直接改變 BeautifulSoup 對象。
# demo 2soup = BeautifulSoup(html_doc, “lxml”);p_tag = soup.pprint(p_tag.name)print(p_tag[“class”])print(p_tag.attrs)p_tag.name=”myTag” # attrs 同樣可被修改，操作同字典print(p_tag)#輸出結(jié)果p[‘title’]{‘class’: [‘title’]}首頁
由以上例子我么可以看出，可以直接通過點屬性的方法來獲取 Tag，但是這種方法只能獲取第一個標簽。同時我們可以多次調(diào)用點屬性這個方法，來獲取更深層次的標簽。
# demo 3soup = BeautifulSoup(html_doc, “lxml”);print(soup.p.b)#輸出結(jié)果首頁
如果想獲得所有的某個名字的標簽，則可以使用 find_all(tag_name) 函數(shù)。
# demo 4soup = BeautifulSoup(html_doc, “lxml”);a_tags=soup.find_all(“a”)print(a_tags)#輸出結(jié)果[Google, Baidu, Bing]
我們可以使用 .contents 將 tag 以列表方式輸出，即將 tag 的子節(jié)點格式化為列表，這很有用，意味著可以通過下標進行訪問指定節(jié)點。同時我們還可以通過 .children 生成器對節(jié)點的子節(jié)點進行遍歷。
# demo 5soup = BeautifulSoup(html_doc, “lxml”);head_tag=soup.headprint(head_tag)print(head_tag.contents)for child in head_tag.children:print(“child is : “, child)#輸出結(jié)果index[index]child is : index
.children 只可以獲取 tag 的直接節(jié)點，而獲取不到子孫節(jié)點，.descendants 可以滿足你。
# demo 6soup = BeautifulSoup(html_doc, “lxml”);head_tag=soup.headfor child in head_tag.descendants:print(“child is : “, child)# 輸出結(jié)果child is : indexchild is : index
父節(jié)點
通過 .parent 屬性獲取標簽的父親節(jié)點。 title 的父標簽是 head，html 的父標簽是 BeautifulSoup 對象，而 BeautifulSoup 對象的父標簽是 None。
# demo 7soup = BeautifulSoup(html_doc, “lxml”);title_tag=soup.titleprint(title_tag.parent)print(type(soup.html.parent))print(soup.parent)# 輸出結(jié)果indexNone
同時，我們可以通過 parents 得到指定標簽的所有父親標簽。
# demo 8soup = BeautifulSoup(html_doc, “lxml”);a_tag=soup.afor parent in a_tag.parents: print(parent.name)# 輸出結(jié)果pbodyhtml[document]
兄弟節(jié)點
通過 .next_sibling 和 .previous_sibling 來獲取下一個標簽和上一個標簽。
# demo 9soup = BeautifulSoup(html_doc, “lxml”);p_tag=soup.pprint(p_tag.next_sibling)print(p_tag.next_sibling.next_sibling)# 輸出結(jié)果
…
你可能會納悶，調(diào)用了兩次 next_sibling 怎么只有一個輸出呢，這方法是不是有 bug 啊。事實上是 p 的第一個 next_sibling 是p 和 p 之間的換行符。這個規(guī)則對于 previous_sibling 同樣適用。
另外，我們可以通過 .next_siblings 和 .previous_siblings 屬性可以對當前節(jié)點的兄弟節(jié)點迭代輸出。在該例子中，我們在每次輸出前加了前綴，這樣就可以更直觀的看到 dib 的第一個 previous_sibling 是換行符了。
# demo 10soup = BeautifulSoup(html_doc, “lxml”);p_tag=soup.pfor pre_tag in p_tag.previous_siblings:print(“pre_tag is : “, pre_tag)# 輸出結(jié)果pre_tag is : pre_tag is :
我常用的網(wǎng)站GoogleBaiduBing
pre_tag is : pre_tag is :
首頁
pre_tag is :
前進和后退
通過 .next_element 和 .previous_element 獲取指定標簽的前一個或者后一個被解析的對象，注意這個和兄弟節(jié)點是有所不同的，兄弟節(jié)點是指有相同父親節(jié)點的子節(jié)點，而這個前一個或者后一個是按照文檔的解析順序來計算的。
比如在我們的文本 html_doc 中，head 的兄弟節(jié)點是 body（不考慮換行符），因為他們具有共同的父節(jié)點 html，但是 head 的下一個節(jié)點是 title。即soup.head.next_sibling=title soup.head.next_element=title
# demo 11soup = BeautifulSoup(html_doc, “lxml”);head_tag=soup.headprint(head_tag.next_element)title_tag=soup.titleprint(title_tag.next_element)# 輸出結(jié)果indexindex
同時這里還需要注意的是 title 下一個解析的標簽不是 body，而是 title 標簽內(nèi)的內(nèi)容，因為 html 的解析順序是打開 title 標簽，然后解析內(nèi)容，最后關(guān)閉 title 標簽。
另外，我們同樣可以通過 .next_elements 和 .previous_elements 來迭代文檔樹。由遺下例子我們可以看出，換行符同樣會占用解析順序，與迭代兄弟節(jié)點效果一致。
# demo 12soup = BeautifulSoup(html_doc, “lxml”);p_tag=soup.pfor next_element in p_tag.next_elements:print(“next_element is : “, next_element)# 輸出結(jié)果next_element is : 這是注釋內(nèi)容next_element is : next_element is :
…
next_element is : …next_element is : next_element is :
…
next_element is : …next_element is : next_element is :
Beautiful Soup 總結(jié)
本章節(jié)介紹了 Beautiful Soup 的使用場景以及操作文檔樹節(jié)點的基本操作，看似很多東西其實是有規(guī)律可循的，比如函數(shù)的命名，兄弟節(jié)點或者下一個節(jié)點的迭代函數(shù)都是獲取單個節(jié)點函數(shù)的復數(shù)形式。
同時由于 HTML 或者 XML 這種循環(huán)嵌套的復雜文檔結(jié)構(gòu)，致使操作起來甚是麻煩，掌握了本文對節(jié)點的基本操作，將有助于提高你寫爬蟲程序的效率。
