Python解析HTML和XML
springsnow 人气:0一、Beautiful Soup概述:
Beautiful Soup支持从HTML或XML文件中提取数据的Python库;
它支持Python标准库中的HTML解析器,还支持一些第三方的解析器lxml。
Beautiful Soup自动将输入文档转换为Unicode编码,输出文档转换为utf-8编码。
安装:
pip install beautifulsoup4
可选择安装解析器
pip install lxml
pip install html5lib
二、BeautifulSoup4简单使用
假设有这样一个Html,具体内容如下:
<!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" style="display: block;">更多产品 </a> </div> </div> </div> </div> </body> </html>
创建beautifulsoup4对象:
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())
三、BeautifulSoup4四大对象种类
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:Tag 、NavigableString 、BeautifulSoup 、Comment、
1、Tag:标签
Tag通俗点讲就是HTML中的一个个标签,例如:
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
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:
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、NavigableString:标签内部的文字
既然我们已经得到了标签的内容,那么问题来了,我们要想获取标签内部的文字怎么办呢?很简单,用 .string 即可,例如:
print(bs.title.string) # 百度一下,你就知道 print(type(bs.title.string)) #
3、BeautifulSoup:文档的内容
BeautifulSoup对象表示的是一个文档的内容。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,例如:
print(type(bs.name)) # print(bs.name) # [document] print(bs.attrs) # {}
4、Comment:注释
Comment 对象是一个特殊类型的 NavigableString 对象,其输出的内容不包括注释符号。
print(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)) #
四、遍历文档树所用属性
- .contents:获取Tag的所有子节点,返回一个list
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:
- .children:获取Tag的所有子节点,返回一个生成器
for child in bs.body.children: print(child)
- .descendants:获取Tag的所有子孙节点
- .parent:获取Tag的父节点
- .parents:递归得到父辈元素的所有节点,返回一个生成器
- .previous_sibling:获取当前Tag的上一个节点,属性通常是字符串或空白,真实结果是当前标签与上一个标签之间的顿号和换行符
- .next_sibling:获取当前Tag的下一个节点,属性通常是字符串或空白,真是结果是当前标签与下一个标签之间的顿号与换行符
- .previous_siblings:获取当前Tag的上面所有的兄弟节点,返回一个生成器
- .next_siblings:获取当前Tag的下面所有的兄弟节点,返回一个生成器
- .previous_element:获取解析过程中上一个被解析的对象(字符串或tag),可能与previous_sibling相同,但通常是不一样的
- .next_element:获取解析过程中下一个被解析的对象(字符串或tag),可能与next_sibling相同,但通常是不一样的
- .previous_elements:返回一个生成器,可以向前访问文档的解析内容
- .next_elements:返回一个生成器,可以向后访问文档的解析内容
- .strings:如果Tag包含多个字符串,即在子孙节点中有内容,可以用此获取,而后进行遍历
- .stripped_strings:与strings用法一致,只不过可以去除掉那些多余的空白内容
- .has_attr:判断Tag是否包含属性
五、搜索文档树
1、find_all():过滤器
find_all(name, attrs, recursive, text, **kwargs):
find_all过滤器可以被用在tag的name中,节点的属性等。
(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 = bs.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
import re t_list = bs.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 = bs.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 = 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_h2 标记 h2 = mulu.find('h2') if h2 != None: h2_title = h2.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':h2_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_h2 标记 div_h2 = div_mulu.xpath('./div[@class="mulu-title"]/center/h2/text()') if len(div_h2) > 0: h2_title = div_h2[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':h2_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()
到此这篇关于Python使用Beautiful Soup(BS4)库解析HTML和XML的文章就介绍到这了。希望对大家的学习有所帮助,也希望大家多多支持。
加载全部内容