Python爬虫库bs4的使用详解
Beautiful Soup 简称 BS4（其中 4 表示版本号）是一个 Python 第三方库，是一个用于解析HTML和XML文档的Python库，主要用于从网页中提取数据。它能够将HTML或XML文档转换为一个树形结构，使得用户可以通过编程方式方便地访问、提取和操作网页中的数据。
图：BS4官网LOGO图
一、下载安装
Beautiful Soup不是Python的内置库，因此在使用前需要安装。可以通过以下命令安装
pip install beautifulsoup4阿里国内源安装：
pip install beautifulsoup4 -i http://mirrors.aliyun.com/pypi/simple --trusted-host mirrors.aliyun.com此外，还可以安装其他解析器如html5lib：
pip install html5lib二、主要功能和使用方法
- 解析器：Beautiful Soup支持多种解析器，包括Python标准库中的HTML解析器以及第三方库如
lxml和html5lib。推荐使用lxml，因为它速度快且功能强大。 - 创建对象：通过BeautifulSoup类可以创建对象，该对象代表整个HTML文档树。可以通过各种方法（如
find()和find_all()）来访问文档的各个部分。 - 查找和提取数据：可以使用
find()方法查找文档中符合条件的第一个元素，使用find_all()方法查找所有符合条件的元素。这些方法支持通过标签名、属性等多种方式定位元素。 - 处理文本内容：BeautifulSoup提供了处理文本内容的方法，如获取标签中的文本内容（
NavigableString）和剥离标签但保留文本的字符串（stripped_strings）。
示例代码
以下是一个简单的示例，展示如何使用BeautifulSoup解析HTML文档并提取信息：
from bs4 import BeautifulSoup
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
soup = BeautifulSoup(html_doc, 'lxml')
title_tag = soup.find('b') # 查找第一个<b>标签
print(title_tag.text) # 输出: 'The Dormouse's story'
bs4还支持一些第三方解析器：
| 解析器 | 使用方法 | 优势 | 劣势 |
|---|---|---|---|
| Python标准库 | BeautifulSoup(html,’html.parser’) | Python内置标准库；执行速度快 | 在python2.7.3和3.2.2之前的版本中文档容错能力差 |
| lxml html解析器 | （需要额外导入）BeautifulSoup(html,’lxml’) | 速度快；容错能力强 | 需要安装C语言库 |
| lxml XML解析器 | （需要额外导入）BeautifulSoup(html,[‘lxml’,’xml’])或BeautifulSoup(html,’xml’) | 唯一支持解析xml | 需要安装C语言库 |
| htm5lib | BeautifulSoup(html,’htm5llib’) | 以浏览器方式解析，最好的容错性，生成html5 | 速度慢 |
三、bs4使用
1、bs4对html文件的处理
BeautifulSoup4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，所有对象可以归纳为4种:
（1）Tag
（2）NavigableString
（3）BeautifulSoup
（4）Comment
（1）Tag ： Tag通俗点讲就是HTML中的一个个标签
from bs4 import BeautifulSoup
soup = BeautifulSoup(resp.text, 'html.parser')
# 获取title标签的所有内容
print(soup.title)
# 获取head标签的所有内容
print(soup.head)
# 获取第一个a标签的所有内容
print(soup.a)
# 类型
print(type(soup.a))我们可以利用 soup 加标签名轻松地获取这些标签的内容，这些对象的类型是 bs4.element.Tag
但是注意，它查找的是在所有内容中的第一个符合要求的标签。
对于 Tag，它有两个重要的属性，是 name 和 attrs：
# [document]
#bs 对象本身比较特殊，它的 name 即为 [document]
print(soup.name)
# head
#对于其他内部标签，输出的值便为标签本身的名称
print(soup.head.name)
# 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(soup.a.attrs)
#还可以利用get方法，传入属性的名称，二者是等价的
print(soup.a['class']) # soup.a.get('class')
# 可以对这些属性和内容等等进行修改
soup.a['class'] = "newClass"
print(soup.a)
# 还可以对这个属性进行删除
del soup.a['class']
print(soup.a)（2）NavigableString：获取标签内部的文字用 .string 即可
print(soup.title.string) # 也可以soup.title.text
print(type(soup.title.string))（3）BeautifulSoup：表示一个文档的内容
大部分时候，可以把它当作 Tag 对象，是一个特殊的 Tag，我们可以分别获取它的类型，名称，以及属性
print(type(soup.name))
print(soup.name)
print(soup.attrs)（4）Comment：是一个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号
print(soup.a) # 此时不能出现空格和换行符，a标签如下：
# <a class="mnav" href="http://news.baidu.com" name="tj_trnews"><!--新闻--></a>
print(soup.a.string) # 新闻
print(type(soup.a.string)) # <class 'bs4.element.Comment'>2、遍历文档树
（1）.contents：获取Tag的所有子节点，返回一个list
# tag的.content 属性可以将tag的子节点以列表的方式输出
print(soup.head.contents)
# 用列表索引来获取它的某一个元素
print(soup.head.contents[1])（2）.children：获取Tag的所有子节点，返回一个生成器
for child in soup.body.children:
print(child)3、搜索文档树
1、find_all(name, attrs, recursive, text, **kwargs)
（1）name参数：
字符串过滤：会查找与字符串完全匹配的内容
a_list = soup.find_all("a")
print(a_list)正则表达式过滤：如果传入的是正则表达式，那么BeautifulSoup4会通过search()来匹配内容
t_list = soup.find_all(re.compile("a"))
for item in t_list:
print(item)列表： 如果传入一个列表，BeautifulSoup4将会与列表中的任一元素匹配到的节点返回
t_list = soup.find_all(["meta","link"])
for item in t_list:
print(item)方法： 传入一个方法，根据方法来匹配
def name_is_exists(tag):
return tag.has_attr("name")
t_list = soup.find_all(name_is_exists)
for item in t_list:
print(item)（2）kwargs参数：
# 查询id=head的Tag
t_list = soup.find_all(id="head")
print(t_list)
# 查询href属性包含ss1.bdstatic.com的Tag
t_list = soup.find_all(href=re.compile("http://news.baidu.com"))
print(t_list)
# 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)
t_list = soup.find_all(class_=True)
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，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 = soup.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 = soup.find_all(attrs={"data-foo": "value"})
for item in t_list:
print(item)
t_list = soup.find_all(text="hao123")
for item in t_list:
print(item)
t_list = soup.find_all(text=["hao123", "地图", "贴吧"])
for item in t_list:
print(item)
t_list = soup.find_all(text=re.compile("\d"))
for item in t_list:
print(item)（5）limit参数：
传入一个limit参数来限制返回的数量，如下列放回数量为2
t_list = soup.find_all("a",limit=2)
for item in t_list:
print(item)2、find（）
返回符合条件的第一个Tag；即当我们要取一个值的时候就可以用这个方法
t = soup.div.div
# 等价于
t = soup.find("div").find("div")4、CSS选择器
（1）通过标签名查找
print(soup.select('title'))
print(soup.select('a'))（2）通过类名查找
print(soup.select('.mnav'))（3）通过id查找
print(soup.select('#u1'))（4）组合查找
print(soup.select('div .bri'))（5）属性查找
print(soup.select('a[class="bri"]'))
print(soup.select('a[href="http://tieba.baidu.com"]'))（6）获取内容
t_list = soup.select("title")
print(soup.select('title')[0].get_text())示例代码：
from bs4 import BeautifulSoup
'''
bs4
安装：pip install beautifulsoup4
官网：https://beautifulsoup.readthedocs.io/zh-cn/v4.4.0/
'''
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
# 创建一个BeautifulSoup对象
soup = BeautifulSoup(html_doc)
print(f"soup.prettify：{soup.prettify}")
print(f"soup.title：{soup.title}") # soup.title：<title>The Dormouse's story</title>
print(f"type(soup.title)：{type(soup.title)}") # type(soup.title)：<class 'bs4.element.Tag'>
print(f"dir(soup.title)：{dir(soup.title)}") # dir(soup.title)：['EMPTY_ELEMENT_EVENT', 'END_ELEMENT_EVENT', 'MAIN_CONTENT_STRING_TYPES', 'START_ELEMENT_EVENT', 'STRING_ELEMENT_EVENT', '_TreeTraversalEvent', '__annotations__', '__bool__', '__call__', '__class__', '__contains__', '__copy__', '__deepcopy__', '__delattr__', '__delitem__', '__dict__', '__dir__', '__doc__', '__eq__', '__firstlineno__', '__format__', '__ge__', '__getattr__', '__getattribute__', '__getitem__', '__getstate__', '__gt__', '__hash__', '__init__', '__init_subclass__', '__iter__', '__le__', '__len__', '__lt__', '__module__', '__ne__', '__new__', '__reduce__', '__reduce_ex__', '__repr__', '__setattr__', '__setitem__', '__sizeof__', '__static_attributes__', '__str__', '__subclasshook__', '__unicode__', '__weakref__', '_all_strings', '_event_stream', '_find_all', '_find_one', '_format_tag', '_indent_string', '_insert', '_is_xml', '_lastRecursiveChild', '_last_descendant', '_namespaces', '_self_and', '_should_pretty_print', 'append', 'attribute_value_list_class', 'attrs', 'can_be_empty_element', 'cdata_list_attributes', 'childGenerator', 'children', 'clear', 'contents', 'copy_self', 'css', 'decode', 'decode_contents', 'decompose', 'decomposed', 'default', 'descendants', 'encode', 'encode_contents', 'extend', 'extract', 'fetchAllPrevious', 'fetchNextSiblings', 'fetchParents', 'fetchPreviousSiblings', 'find', 'findAll', 'findAllNext', 'findAllPrevious', 'findChild', 'findChildren', 'findNext', 'findNextSibling', 'findNextSiblings', 'findParent', 'findParents', 'findPrevious', 'findPreviousSibling', 'findPreviousSiblings', 'find_all', 'find_all_next', 'find_all_previous', 'find_next', 'find_next_sibling', 'find_next_siblings', 'find_parent', 'find_parents', 'find_previous', 'find_previous_sibling', 'find_previous_siblings', 'format_string', 'formatter_for_name', 'get', 'getText', 'get_attribute_list', 'get_text', 'has_attr', 'has_key', 'hidden', 'index', 'insert', 'insert_after', 'insert_before', 'interesting_string_types', 'isSelfClosing', 'is_empty_element', 'known_xml', 'name', 'namespace', 'next', 'nextGenerator', 'nextSibling', 'nextSiblingGenerator', 'next_element', 'next_elements', 'next_sibling', 'next_siblings', 'parent', 'parentGenerator', 'parents', 'parserClass', 'parser_class', 'prefix', 'preserve_whitespace_tags', 'prettify', 'previous', 'previousGenerator', 'previousSibling', 'previousSiblingGenerator', 'previous_element', 'previous_elements', 'previous_sibling', 'previous_siblings', 'recursiveChildGenerator', 'renderContents', 'replaceWith', 'replaceWithChildren', 'replace_with', 'replace_with_children', 'select', 'select_one', 'self_and_descendants', 'self_and_next_elements', 'self_and_next_siblings', 'self_and_parents', 'self_and_previous_elements', 'self_and_previous_siblings', 'setup', 'smooth', 'sourceline', 'sourcepos', 'string', 'strings', 'stripped_strings', 'text', 'unwrap', 'wrap']
print(f"soup.title.text：{soup.title.text}") # soup.title.text：The Dormouse's story
# 取出第一个a标签的所有属性
print(f"取出第一个a标签的所有属性：{soup.a.attrs}") # {'href': 'http://example.com/elsie', 'class': ['sister'], 'id': 'link1'}
# 取出a标签的href属性
print(f"取出a标签的href属性：{soup.a.attrs['href']}") # 取出a标签的href属性：http://example.com/elsie
# 判断是否有class属性
print(f"判断是否有class属性：{soup.a.has_attr('class')}") # 判断是否有class属性：True
# 取出第一个p标签下的所有子节点
print(f"取出第一个p标签下的所有子节点：{soup.p.children}") # 取出第一个p标签下的所有子节点：<generator object Tag.children.<locals>.<genexpr> at 0x000001C1E376C1C0>
print(f"取出第一个p标签下的所有子节点使用list转换：{list(soup.p.children)}") # 取出第一个p标签下的所有子节点使用list转换：[<b>The Dormouse's story</b>]
print(f"取出第一个p标签下的所有子节点使用list转换：{list(soup.p.children)[0]}") # 取出第一个p标签下的所有子节点使用list转换：<b>The Dormouse's story</b>
print(f"取出第一个p标签下的所有子节点使用list转换：{list(soup.p.children)[0].text}") # 取出第一个p标签下的所有子节点使用list转换：The Dormouse's story
for child in soup.p.children:
print(f"child：{child}") # child：<b>The Dormouse's story</b>
# 取出页面下所有a标签的href属性链接
soup.find_all('a')
for a in soup.find_all('a'):
print(f"a.attrs['href']：{a.attrs['href']}")
# a.attrs['href']：http://example.com/elsie
# a.attrs['href']：http://example.com/lacie
# a.attrs['href']：http://example.com/tillie
# 取出id=link3的a标签
print(f"soup.find：{soup.find(id='link3')}") # soup.find：<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
print(f"soup.find：{soup.find(_class='story')}")
# 取出页面内所有文本
print(f"soup.get_text：{soup.get_text()}")
# soup.get_text：
# The Dormouse's story
#
# The Dormouse's story
# Once upon a time there were three little sisters; and their names were
# Elsie,
# Lacie and
# Tillie;
# and they lived at the bottom of a well.
# ...
# CSS选择器select
print(f"soup.select选择器：{soup.select('.story')}")
# [<p class="story">Once upon a time there were three little sisters; and their names were
# <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
# <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
# <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
# and they lived at the bottom of a well.</p>, <p class="story">...</p>]
print(f"soup.select选择器：{soup.select('#link1')}") # soup.select选择器：[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]
print(f"soup.select选择器：{soup.select('.story a')}") # soup.select选择器：[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
print(f"soup.select选择器：{soup.select('p.story')}")
扫一扫
56万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
