beautifulsoup的简单使用
一、beautifulsoup的简单使用
1. beautifulsoup是python的一个库,最主要的功能是从网页抓取数据。
\'\'\' Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。 它是一个工具箱,通过解析文档为用户提供需要抓取的数据,因为简单,所以不需要多少代码就可以写出一个完整的应用程序。 \'\'\'
2. 安装
pip3 install beautifulsoup4
Beautiful Soup支持Python标准库中的HTML解析器,还支持一些第三方的解析器,如果我们不安装它,则 Python 会使用 Python默认的解析器,lxml 解析器更加强大,速度更快,推荐安装。
pip3 install lxml
另一个可供选择的解析器是纯Python实现的 html5lib , html5lib的解析方式与浏览器相同,可以选择下列方法来安装html5lib:
pip install html5lib
3. 解析器对比
4. 解析HTML代码
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> """
使用BeautifulSoup解析这段代码,能够得到一个 BeautifulSoup
的对象,并能按照标准的缩进格式的结构输出:
from bs4 import BeautifulSoup soup = BeautifulSoup(html_doc, \'html.parser\') print(soup.prettify())
5. 几个简单的浏览结构化数据的方法
soup.title # <title>The Dormouse\'s story</title> soup.title.name # u\'title\' soup.title.string # u\'The Dormouse\'s story\' soup.title.parent.name # u\'head\' soup.p # <p class="title"><b>The Dormouse\'s story</b></p> soup.p[\'class\'] # u\'title\' soup.a # <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a> soup.find_all(\'a\') # [<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>] soup.find(id="link3") # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
从文档中找到所有<a>标签的链接:
for link in soup.find_all(\'a\'): print(link.get(\'href\')) # http://example.com/elsie # http://example.com/lacie # http://example.com/tillie
从文档中获取所有文字内容:
print(soup.get_text())
6. 如何使用
将一段文档传入BeautifulSoup 的构造方法,就能得到一个文档的对象, 可以传入一段字符串或一个文件句柄.
from bs4 import BeautifulSoup soup = BeautifulSoup(open("index.html")) soup = BeautifulSoup("<html>data</html>")
然后,Beautiful Soup选择最合适的解析器来解析这段文档,如果手动指定解析器那么Beautiful Soup会选择指定的解析器来解析文档。
7. 对象的种类
Beautiful Soup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四种:Tag , NavigableString
, BeautifulSoup
, Comment
.
7.1 Tag
通俗点讲就是 HTML 中的一个个标签,Tag 对象与XML或HTML原生文档中的tag相同:
soup = BeautifulSoup(\'<b class="boldest">Extremely bold</b>\') tag = soup.b type(tag) # <class \'bs4.element.Tag\'>
# soup对象操作文档树最简单的方法就是告诉它你想获取的tag的name.如果想获取 <head> 标签,只要用 soup.head : soup.head # <head><title>The Dormouse\'s story</title></head> soup.title # <title>The Dormouse\'s story</title>
tag的名字
这是个获取tag的小窍门,可以在文档树的tag中多次调用这个方法.下面的代码可以获取<body>标签中的第一个<b>标签:
soup.body.b # <b>The Dormouse\'s story</b>
通过点取属性的方式只能获得当前名字的第一个tag:
soup.a # <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
如果想要得到所有的<a>标签,或是通过名字得到比一个tag更多的内容的时候,就需要用到 Searching the tree 中描述的方法,比如: find_all()
soup.find_all(\'a\') # [<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>]
我们可以利用 soup加标签名轻松地获取这些标签的内容,注意,它查找的是在所有内容中的第一个符合要求的标签。
#Tag有很多方法和属性,现在介绍一下tag中最重要的属性: name和attributes #每个tag都有自己的名字,通过 .name 来获取: tag.name # u\'b\' tag[\'class\'] # u\'boldest\' tag.attrs # {u\'class\': u\'boldest\'} #tag的属性可以被添加,删除或修改. 再说一次, tag的属性操作方法与字典一样 tag[\'class\'] = \'verybold\' tag[\'id\'] = 1 tag # <blockquote class="verybold" id="1">Extremely bold</blockquote> del tag[\'class\'] del tag[\'id\'] tag # <blockquote>Extremely bold</blockquote> tag[\'class\'] # KeyError: \'class\' print(tag.get(\'class\')) # None
name和attributes属性
7.2 NavigableString(字符串)
想获取标签内部的文字,用 .string 即可.
字符串常被包含在tag内.Beautiful Soup用 NavigableString
类来包装tag中的字符串,通过 unicode()
方法可以直接将 NavigableString
对象转换成Unicode字符串:
tag.string # u\'Extremely bold\' type(tag.string) # <class \'bs4.element.NavigableString\'> unicode_string = unicode(tag.string) unicode_string # u\'Extremely bold\' type(unicode_string) # <type \'unicode\'>
tag中包含的字符串不能编辑,但是可以被替换成其它的字符串,用 replace_with() 方法:
tag.string.replace_with("No longer bold") tag # <blockquote>No longer bold</blockquote>
7.3 BeautifulSoup
BeautifulSoup 对象表示的是一个文档的全部内容.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) #<type \'unicode\'> print soup.name # [document] print soup.attrs #{} 空字典
7.4 Comment
html_doc=\'<a href="http://example.com/elsie" class="sister" id="link1"><!-- Elsie --></a>\' soup = BeautifulSoup(html_doc, \'html.parser\') print(soup.a.string) # Elsie print(type(soup.a.string)) # <class \'bs4.element.Comment\'>
a 标签里的内容实际上是注释,但是如果我们利用 .string 来输出它的内容,我们发现它已经把注释符号去掉了,所以这可能会给我们带来不必要的麻烦。
另外我们打印输出下它的类型,发现它是一个 Comment 类型,所以,我们在使用前最好做一下判断,判断代码如下:
if type(soup.a.string)==bs4.element.Comment: print soup.a.string
二、beautifulsoup之遍历文档树
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> """ from bs4 import BeautifulSoup soup = BeautifulSoup(html_doc, \'html.parser\')
通过这段例子来演示怎样从文档的一段内容找到另一段内容
1. 子节点
一个Tag可能包含多个字符串或其它的Tag,这些都是这个Tag的子节点.Beautiful Soup提供了许多操作和遍历子节点的属性.
注意: Beautiful Soup中字符串节点不支持这些属性,因为字符串没有子节点。
1.1 .contents 和 .children
tag的 .contents
属性可以将tag的子节点以列表的方式输出:
head_tag = soup.head head_tag # <head><title>The Dormouse\'s story</title></head> head_tag.contents [<title>The Dormouse\'s story</title>] title_tag = head_tag.contents[0] title_tag # <title>The Dormouse\'s story</title> title_tag.contents # [u\'The Dormouse\'s story\']
字符串没有 .contents
属性,因为字符串没有子节点:
text = title_tag.contents[0] text.contents # AttributeError: \'NavigableString\' object has no attribute \'contents\'
.children它返回的不是一个 list,不过我们可以通过遍历获取所有子节点。我们打印输出 .children 看一下,可以发现它是一个 list 生成器对象
通过tag的 .children
生成器,可以对tag的子节点进行循环:
print(title_tag.children) # <list_iterator object at 0x101b78860> print(type(title_tag.children)) # <class \'list_iterator\'> for child in title_tag.children: print(child) # The Dormouse\'s story
1.2 .descendants
.contents 和 .children
属性仅包含tag的直接子节点.例如,<head>标签只有一个直接子节点<title>
head_tag.contents # [<title>The Dormouse\'s story</title>]
但是<title>标签也包含一个子节点:字符串 “The Dormouse’s story”,这种情况下字符串 “The Dormouse’s story”也属于<head>标签的子孙节点.
.descendants
属性可以对所有tag的子孙节点进行递归循环 。
for child in head_tag.descendants: print(child) # <title>The Dormouse\'s story</title> # The Dormouse\'s story
上面的例子中, <head>标签只有一个子节点,但是有2个子孙节点:<head>节点和<head>的子节点, BeautifulSoup
有一个直接子节点(<html>节点),却有很多子孙节点:
len(list(soup.children)) # 1 len(list(soup.descendants)) # 25
2. 节点内容
如果tag只有一个 NavigableString 类型子节点,那么这个tag可以使用 .string 得到子节点。如果一个tag仅有一个子节点,那么这个tag也可以使用 .string 方法,输出结果与当前唯一子节点的 .string 结果相同。
通俗点说就是:如果一个标签里面没有标签了,那么 .string 就会返回标签里面的内容。如果标签里面只有唯一的一个标签了,那么 .string 也会返回最里面的内容。例如:
print (soup.head.string) #The Dormouse\'s story print (soup.title.string) #The Dormouse\'s story
如果tag包含了多个子节点,tag就无法确定,string 方法应该调用哪个子节点的内容, .string 的输出结果是 None
print (soup.html.string) #None
3. 多个内容
# 获取多个内容,不过需要遍历获取 for string in soup.strings: print(repr(string)) \'\'\' \'\n\' "The Dormouse\'s story" \'\n\' \'\n\' "The Dormouse\'s story" \'\n\' \'Once upon a time there were three little sisters; and their names were\n\' \'Elsie\' \',\n\' \'Lacie\' \' and\n\' \'Tillie\' \';\nand they lived at the bottom of a well.\' \'\n\' \'...\' \'\n\' \'\'\'
.strings
# 输出的字符串中可能包含了很多空格或空行,使用 .stripped_strings 可以去除多余空白内容 for string in soup.stripped_strings: print(repr(string)) \'\'\' "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\' \';\nand they lived at the bottom of a well.\' \'...\' \'\'\'
.stripped_strings
4. 父节点
# 通过 .parent 属性来获取某个元素的父节点. title_tag = soup.title title_tag # <title>The Dormouse\'s story</title> title_tag.parent # <head><title>The Dormouse\'s story</title></head> # 文档的顶层节点比如<html>的父节点是 BeautifulSoup 对象: html_tag = soup.html type(html_tag.parent) # <class \'bs4.BeautifulSoup\'>
.parent
通过元素的 .parents 属性可以递归得到元素的所有父辈节点 link = soup.a link # <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a> for parent in link.parents: if parent is None: print(parent) else: print(parent.name) # p # body # html # [document] # None
.parents
5. 兄弟节点
sibling_soup = BeautifulSoup("<a><b>text1</b><c>text2</c></b></a>")
5.1 .next_sibling 和 .previous_sibling
兄弟节点可以理解为和本节点处在统一级的节点,.next_sibling 属性获取了该节点的下一个兄弟节点,.previous_sibling 则与之相反,如果节点不存在,则返回 None
在文档树中,使用 .next_sibling
和 .previous_sibling
属性来查询兄弟节点:
sibling_soup.b.next_sibling # <c>text2</c> sibling_soup.c.previous_sibling # <b>text1</b>
注意:实际文档中的tag的 .next_sibling 和 .previous_sibling 属性通常是字符串或空白,因为空白或者换行也可以被视作一个节点,所以得到的结果可能是空白或者换行
实际文档中的tag的 .next_sibling
和 .previous_sibling
属性通常是字符串或空白.
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a> <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>
如果以为第一个<a>标签的 .next_sibling
结果是第二个<a>标签,那就错了,真实结果是第一个<a>标签和第二个<a>标签之间的顿号和换行符:
link = soup.a link # <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a> link.next_sibling # u\',\n\'
第二个<a>标签是顿号的 .next_sibling
属性:
link.next_sibling.next_sibling # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>
5.2 全部兄弟节点
# 通过 .next_siblings 和 .previous_siblings 属性可以对当前节点的兄弟节点迭代输出 for sibling in soup.a.next_siblings: print(repr(sibling)) \'\'\' \',\n\' <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> \' and\n\' <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a> \';\nand they lived at the bottom of a well.\' \'\'\'
.next_siblings .previous_siblings 属性
5.3 前后节点
#与 .next_sibling .previous_sibling 不同,它并不是针对于兄弟节点,而是在所有节点,不分层次比如 head 节点为 <head><title>The Dormouse\'s story</title></head> # 那么它的下一个节点便是 title,它是不分层次关系的 print(soup.head.next_element) #<title>The Dormouse\'s story</title>
.next_element .previous_element 属性
5.4 所有前后节点
# 通过 .next_elements 和 .previous_elements 的迭代器就可以向前或向后访问文档的解析内容,就好像文档正在被解析一样 for i in soup.a.next_elements: print(repr(i)) \'\'\' \'Elsie\' \',\n\' <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> \'Lacie\' \' and\n\' <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a> \'Tillie\' \';\nand they lived at the bottom of a well.\' \'\n\' <p class="story">...</p> \'...\' \'\n\' \'\'\' # 以上是遍历文档树的基本用法。
.next_elements .previous_elements 属性
三、beautifulsoup之搜索文档树
1. find_all
find_all( name , attrs , recursive , string , **kwargs )
find_all() 方法搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件:
soup.find_all("title") # [<title>The Dormouse\'s story</title>] soup.find_all("p", "title") # [<p class="title"><b>The Dormouse\'s story</b></p>] soup.find_all("a") # [<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>] soup.find_all(id="link2") # [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>] import re soup.find(string=re.compile("sisters")) # u\'Once upon a time there were three little sisters; and their names were\n\'
find_all()
1.1 name参数
name
参数可以查找所有名字为 name
的tag,字符串对象会被自动忽略掉.
简单的用法如下:
soup.find_all("title") # [<title>The Dormouse\'s story</title>]
搜索 name
参数的值可以使任一类型的 过滤器 ,字符窜,正则表达式,列表,方法或是 True
.
#最简单的过滤器是字符串.在搜索方法中传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容,下面的例子用于查找文档中所有的<b>标签 soup.find_all(\'b\') # [<b>The Dormouse\'s story</b>]
传字符串
# 如果传入正则表达式作为参数,Beautiful Soup会通过正则表达式的 match() 来匹配内容.下面例子中找出所有以b开头的标签,这表示<body>和<b>标签都应该被找到 import re for tag in soup.find_all(re.compile("^b")): print(tag.name) # body # b
传正则表达式
# 如果传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回.下面代码找到文档中所有<a>标签和<b>标签 soup.find_all(["a", "b"]) # [<b>The Dormouse\'s story</b>, # <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>]
传列表
# True 可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点 for tag in soup.find_all(True): print(tag.name) \'\'\' html head title body p b p a a a p \'\'\'
传 True
# 如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数,如果这个方法返回 True 表示当前元素匹配并且被找到,如果不是则反回 False # 下面方法校验了当前元素,如果包含 class 属性却不包含 id 属性,那么将返回 True: def has_class_but_no_id(tag): return tag.has_attr(\'class\') and not tag.has_attr(\'id\') # 将这个方法作为参数传入 find_all() 方法,将得到所有<p>标签: print(soup.find_all(has_class_but_no_id)) \'\'\' [ <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 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> ] \'\'\'
传方法
1.2 keyword 参数
如果一个指定名字的参数不是搜索内置的参数名,搜索时会把该参数当作指定名字tag的属性来搜索,如果包含一个名字为 id
的参数,Beautiful Soup会搜索每个tag的”id”属性.
soup.find_all(id=\'link2\') # [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>] import re print(soup.find_all(href=re.compile("elsie"))) # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]
搜索指定名字的属性时可以使用的参数值包括 字符串 , 正则表达式 , 列表, True .
下面的例子在文档树中查找所有包含 id
属性的tag,无论 id
的值是什么:
soup.find_all(id=True) # [<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>]
使用多个指定名字的参数可以同时过滤tag的多个属性:
soup.find_all(href=re.compile("elsie"), id=\'link1\') # [<a class="sister" href="http://example.com/elsie" id="link1">three</a>]
想用 class 过滤,不过 class 是 python 的关键词,加个下划线就可以
print(soup.find_all("a", class_="sister")) \'\'\' [<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> ] \'\'\'
通过 find_all()
方法的 attrs
参数定义一个字典参数来搜索包含特殊属性的tag:
data_soup.find_all(attrs={"data-foo": "value"}) # [<div data-foo="value">foo!</div>]
1.3 text参数
通过 text 参数可以搜搜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, True
import re print(soup.find_all(text="Elsie")) # [\'Elsie\'] print(soup.find_all(text=["Tillie", "Elsie", "Lacie"])) # [\'Elsie\', \'Lacie\', \'Tillie\'] print(soup.find_all(text=re.compile("Dormouse"))) # ["The Dormouse\'s story", "The Dormouse\'s story"]
1.4 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.
print(soup.find_all("a",limit=2)) \'\'\' [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>] \'\'\'
1.5 recursive参数
调用tag的 find_all() 方法时,Beautiful Soup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 .
print(soup.html.find_all("title")) # [<title>The Dormouse\'s story</title>] print(soup.html.find_all("title",recursive=False)) # []
2. find()
find( name , attrs , recursive , string , **kwargs )
find_all() 方法将返回文档中符合条件的所有tag,尽管有时候我们只想得到一个结果.比如文档中只有一个<body>标签,那么使用 find_all()
方法来查找<body>标签就不太合适, 使用 find_all
方法并设置 limit=1
参数不如直接使用 find()
方法.下面两行代码是等价的:
soup.find_all(\'title\', limit=1) # [<title>The Dormouse\'s story</title>] soup.find(\'title\') # <title>The Dormouse\'s story</title>
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.
find_all()
方法没有找到目标是返回空列表, find()
方法找不到目标时,返回 None
.
print(soup.find("nosuchtag")) # None
soup.head.title 是 tag的名字 方法的简写.这个简写的原理就是多次调用当前tag的 find()
方法:
soup.head.title # <title>The Dormouse\'s story</title> soup.find("head").find("title") # <title>The Dormouse\'s story</title>
3. find_parents() 和 find_parent()
a_string = soup.find(string="Lacie") print(a_string) # Lacie print(a_string.find_parent()) # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> print(a_string.find_parents()) print(a_string.find_parent("p")) \'\'\' <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> \'\'\'
4. find_next_siblings() 和 find_next_sibling()
find_next_siblings( name , attrs , recursive , string , **kwargs )
find_next_sibling( name , attrs , recursive , string , **kwargs )
这2个方法通过 .next_siblings 属性对当tag的所有后面解析的兄弟tag节点进行迭代, find_next_siblings()
方法返回所有符合条件的后面的兄弟节点, find_next_sibling()
只返回符合条件的后面的第一个tag节点.
first_link = soup.a print(first_link.find_next_sibling("a")) # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> print(first_link.find_next_siblings("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> ] \'\'\'
find_previous_siblings() 和 find_previous_sibling()的使用类似于find_next_sibling和find_next_siblings。
5. find_all_next() 和 find_next()
find_all_next( name , attrs , recursive , string , **kwargs )
find_next( name , attrs , recursive , string , **kwargs )
这2个方法通过 .next_elements 属性对当前tag的之后的tag和字符串进行迭代, find_all_next()
方法返回所有符合条件的节点, find_next()
方法返回第一个符合条件的节点:
first_link = soup.a print(first_link.find_all_next(string=True)) # [\'Elsie\', \',\n\', \'Lacie\', \' and\n\', \'Tillie\', \';\nand they lived at the bottom of a well.\', \'\n\', \'...\', \'\n\'] print(first_link.find_next(string=True)) # Elsie
find_all_previous() 和 find_previous()的使用类似于find_all_next() 和 find_next()。
四、beautifulsoup之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
1. 通过标签名查找
print(soup.select("title")) #[<title>The Dormouse\'s story</title>] print(soup.select("b")) #[<b>The Dormouse\'s story</b>]
2. 通过类名查找
print(soup.select(".sister")) \'\'\' [<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>] \'\'\'
3. 通过id 名查找
print(soup.select("#link1")) # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]
4. 组合查找
组合查找即和写 class 文件时,标签名与类名、id名进行的组合原理是一样的,例如查找 p 标签中,id 等于 link1的内容,二者需要用空格分开
print(soup.select("p #link2")) #[<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]
5. 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[href=\'http://example.com/tillie\']")) #[<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
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:
for title in soup.select(\'a\'): print (title.get_text()) \'\'\' Elsie Lacie Tillie \'\'\'