当前位置：首页 > news >正文

网页数据的解析提取之Beautiful Soup

news 来源：原创 2025/5/14 3:34:30

前面博客介绍了正则表达式的相关用法，只是一旦正则表达式写得有问题，得到的结果就可能不是我们想要的了。而且每一个网页都有一定的特殊结构和层级关系，很多节点都用id或 class 作区分所以借助它们的结构和属性来提取不也可以吗?

本篇博客我们就介绍一个强大的解析工具–Beautiful Soup,其借助网页的结构和属性等特性来解析网页。有了它，我们不需要写复杂的正则表达式，只需要简单的几个语句，就可以完成网页中某个元素的提取。

Beautiful Soup简介

简单来说，Beautiful Soup是 Python 的一个 HTML或 XML的解析库，我们用它可以方便地从网页中提取数据，其官方解释如下:

Beautiful Soup 提供一些简单的、Python 式的函数来处理导航、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，所以无须很多代码就可以写出一个完整的应用程序。 Beautiful Soup 自动将输人文档转换为 Unicode 编码，将输出文档转换为 utf-8 编码。你不需要考虑编码方式，除非文档没有指定具体的编码方式，这时你仅仅需要说明一下原始编码方式就可以了。 Beautiful Soup 已成为和 Ixml、html5lib 一样出色的 Python 解释器，为用户灵活提供不同的解析策略或强劲的速度。

总而言之，利用 Beautiful Soup 可以省去很多烦琐的提取工作，提高解析网页的效率。

解释器

实际上，BeautifulSoup在解析时是依赖解析器的，它除了支持 Python 标准库中的 HTML解析器还支持一些第三方解析器(例如 Ixml )。下表列出了 Beautiful Soup 支持的解析器。

在这里插入图片描述
通过上表的对比可以看出，LXML,解析器有解析 HTML和 XML的功能，而且速度快、容错能力强，所以推荐使用它。

使用 LXML,解析器，只需在初始化 Beautiful Soup 时，把第二个参数改为 lxml 即可:

from bs4 import BeautifulSoupsoup = BeautifulSoup('<p>Hello</p>', 'lxml')
print(soup.p.string)

在后面，统一用这个解析器演示 Beautiful Soup 的用法实例。

准备工作

在开始之前，请确保已经正确安装好 Beautiful Soup 和 lxml 这两个库。Beautiful Soup 直接使用pip3 安装即可，命令如下:

pip3 install beautifulsoup4

另外，我们使用的是Ixml这个解析器，所以还需要额外安装lxml这个库。

pip3 install lxml

以上两个库都安装完成后，就可以进行接下来的学习了。

基本使用

下面首先通过实例看看 Beautiful Soup 的基本用法:

from bs4 import BeautifulSouphtml = '''
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><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/lacie" 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, 'lxml')
print(soup.prettify())
print(soup.title.string)

运行结果如下：

<html><head><title>The Dormouse's story</title></head><body><p class="title" name="dromouse"><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-="" id="link1"><!-- Elsie -->&lt;</a><a class="sister" href-="" id="link2">Lacie</a>and<a class="sister" href-="" id-="">Tillie</a>;
and they lived at the bottom of a well.</p><p class="story">...</p></body>
</html>The Dormouse's story

这里首先声明一个变量 html，这是一个 HTML 字符串。但是需要注意的是，它并不是一个完整的 HTML 字符串，因为 body 节点和 html节点都没有闭合。接着，我们将它当作第一个参数传给BeautifulSoup 对象，该对象的第二个参数为解析器的类型(这里使用 lxml )，此时就完成了Beaufulsoup 对象的初始化。然后，将这个对象赋值给soup 变量。

之后就可以调用 soup 的各个方法和属性解析这串 HTML 代码了。

首先，调用 prettify方法。这个方法可以把要解析的字符串以标准的缩进格式输出。这里需要注意的是，输出结果里包含 body 和 html 节点，也就是说对于不标准的 HTML 字符串 Beautifulsoup,可以自动更正格式。这一步不是由 prettify方法完成的，而是在初始化 Beautifulsoup的时候就完成了。

然后调用 soup.title.string，这实际上是输出 HTML 中 title 节点的文本内容。所以，通过soup.title 选出 HTML 中的 title节点，再调用 string属性就可以得到 title节点里面的文本了。你看，我们通过简单调用几个属性就完成了文本提取，是不是非常方便?

节点选择器

直接调用节点的名称即可选择节点，然后调用 string 属性就可以得到节点内的文本了。这种选择方式速度非常快，当单个节点结构层次非常清晰时，可以选用这种方式来解析。

下面再用一个例子详细说明选择节点的方法:

from bs4 import BeautifulSouphtml = '''
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><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/lacie" 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, 'lxml')
print(soup.title)
print(type(soup.title))
print(soup.title.string)
print(soup.head)
print(soup.p)

运行结果:

<title>The Dormouse's story</title>
<class 'bs4.element.Tag'>
The Dormouse's story
<head><title>The Dormouse's story</title></head>
<p class="title" name="dromouse"><b>The Dormouse's story</b></p>

这里依然使用刚才的 HTML代码，首先打印出 title 节点的选择结果，输出结果正是title 节点及里面的文字内容。接下来，输出 title 节点的类型，是 bs4.element.Tag，这是 Beautiful Soup 中一个重要的数据结构，经过选择器选择的结果都是这种 Tag类型。Tag具有一些属性，例如 string属性调用该属性可以得到节点的文本内容，所以类型的输出结果正是节点的文本内容。

输出文本内容后，又尝试选择了 head节点，结果也是节点加其内部的所有内容。最后，选择了p节点。不过这次情况比较特殊，因为结果是第一个p节点的内容，后面的几个p节点并没有选取到。也就是说,当有多个节点时,这种选择方式只会选择到第一个匹配的节点,后面的其他节点都会忽略。

提取信息

上面演示了通过调用 string 属性获取文本的值，那么如何获取节点名称?如何获取节点属性的值呢?接下来我们就统一梳理一下信息的提取方式。

获取名称

利用 name属性可以获取节点的名称。还是以上面的文本为例，先选取 title 节点,再调用name 属性就可以得到节点名称:

print(soup.title.name)

运行结果:

title

获取属性

一个节点可能有多个属性，例如 id 和 class 等，选择这个节点元素后，可以调用 attrs 获取其所有属性:

print(soup.p.attrs)
print(soup.p.attrs['name'])

运行结果:

{'class': ['title'], 'name': 'dromouse'}
dromouse

可以看到，调用 attrs属性的返回结果是字典形式，包括所选择节点的所有属性和属性值。因此要获取 name 属性，相当于从字典中获取某个键值，只需要用中括号加属性名就可以了。例如通过attrs[‘name’]获取 name 属性。

其实这种方式有点烦琐，还有一种更为简单的获取属性值的方式:不用写 attrs，直接在节点元素后面加中括号，然后传入属性名就可以了。样例如下:

print(soup.p['name' ])
print(soup.p['class'])

运行结果如下:

dromouse
['title']

这里需要注意，有的返回结果是字符串，有的返回结果是由字符串组成的列表。例如，name 属性的值是唯一的，于是返回结果就是单个字符串。而对于class 属性，一个节点元素可能包含多个class，所以返回的就是列表。在实际处理过程中，我们要注意判断类型。

获取内容

这点在前面也提到过，可以利用 string 属性获取节点元素包含的文本内容，例如用如下实例获取第一个p节点的文本:

print(soup.p.string)

运行结果如下:

The Dormouse's story

再次注意一下，这里选取的p节点是第一个p节点，获取的文本也是第一个p节点里面的文本。

嵌套选择

在上面的例子中,我们知道所有返回结果都是 bs4.element.Tag类型，Tag类型的对象同样可以继续调用节点进行下一步的选择。例如,我们获取了 head 节点,就可以继续调用 head 选取其内部的 head节点:

from bs4 import BeautifulSouphtml = '''
<html><head><title>The Dormouse's story</title></head>
<body>
'''soup = BeautifulSoup(html, 'lxml')
print(soup.head.title)
print(type(soup.head.title))
print(soup.head.title.string)

运行结果如下:

<title>The Dormouse's story</title>
<class 'bs4.element.Tag'>
The Dormouse's story

运行结果的第一行是调用 head 之后再调用 title，而选择的 title 节点。第二行打印出了它的类型，可以看到，仍然是 bs4.element.Tag 类型。也就是说，我们在 Tag 类型的基础上再次选择，得到的结果依然是 Tag 类型。既然每次返回的结果都相同，那么就可以做嵌套选择了。

最后一行结果输出了 title 节点的 string 属性，也就是节点里的文本内容。

关联选择

在做选择的过程中，有时不能一步就选到想要的节点，需要先选中某一个节点，再以它为基准选子节点、父节点、兄弟节点等，下面就介绍一下如何选择这些节点。

子节点和子孙节点
选取节点之后，如果想要获取它的直接子节点，可以调用contents 属性，实例如下:

from bs4 import BeautifulSouphtml = '''
<html>
<head><title>The Dormouse's story</title>
</head>
<body><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"><span>Elsie</span></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, 'lxml')
print(soup.p.contents)

运行结果如下:

['Once upon a time there were three little sisters; and their names were\n    ', <a class="sister" href_="" id="link1">
<span>Elsie</span>
</a>, '\n', <a class="sister" href-="" id="link2">Lacie</a>, '\n    and', <a class="sister" href_="" id="link3">Tillie</a>, '\n    and they lived at the bottom of a well.\n    ']

可以看到，返回结果是列表形式。p节点里既包含文本，又包含节点，这些内容会以列表形式统一返回。

需要注意的是，列表中的每个元素都是p节点的直接子节点。像第一个a节点里面包含的 span节点，就相当于孙子节点，但是返回结果并没有把 span 节点单独选出来。所以说，contents 属性得到的结果是直接子节点组成的列表。

同样，我们可以调用 children 属性得到相应的结果:

soup = BeautifulSoup(html, 'lxml')
print(soup.p.children)
for i, child in enumerate(soup.p.children):print(i, child)

运行结果如下:

<list_iterator object at 0x000001DF442F5B80>
0 Once upon a time there were three little sisters; and their names were1 <a class="sister" href_="" id="link1">
<span>Elsie</span>
</a>
2 3 <a class="sister" href-="" id="link2">Lacie</a>
4 and
5 <a class="sister" href_="" id="link3">Tillie</a>
6 and they lived at the bottom of a well.

还是同样的 HTML 文本，这里调用 children 属性来选择，返回结果是生成器类型。然后，我们用 for 循环输出了相应的内容。

如果要得到所有的子孙节点，则可以调用 descendants 属性:

soup = BeautifulSoup(html, 'lxml')
print(soup.p.descendants)
for i, child in enumerate(soup.p.descendants):print(i, child)

运行结果如下:

**<generator object Tag.descendants at 0x000001ED5B9B5D60>
0 Once upon a time there were three little sisters; and their names were1 <a class="sister" href_="" id="link1">
<span>Elsie</span>
</a>
2 3 <span>Elsie</span>
4 Elsie
5 6 7 <a class="sister" href-="" id="link2">Lacie</a>
8 Lacie
9 and
10 <a class="sister" href_="" id="link3">Tillie</a>
11 Tillie
12 and they lived at the bottom of a well.**

你会发现，此时返回结果还是生成器。遍历输出一下可以看到，这次的输出结果中就包含了 span节点，因为 descendants 会递归查询所有子节点，得到所有的子孙节点。

父节点和祖先节点

如果要获取某个节点元素的父节点，可以调用 parent 属性:

from bs4 import BeautifulSouphtml = '''
<html>
<head><title>The Dormouse's story</title>
</head>
<body><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"><span>Elsie</span></a></p><p class="story">...</p>
'''soup = BeautifulSoup(html, 'lxml')
print(soup.a.parent)

运行结果如下:

<p class="story">Once upon a time there were three little sisters; and their names were<a class="sister" href_="" id="link1">
<span>Elsie</span>
</a>
</p>

这里我们选择的是第一个a节点的父节点元素。很明显，a节点的父节点是p节点，所以输出结果便是p节点及其内部内容。

需要注意，这里输出的仅仅是a节点的直接父节点，而没有再向外寻找父节点的祖先节点。如果想获取所有祖先节点，可以调用 parents 属性:

from bs4 import BeautifulSouphtml = '''
<html>
<body><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"><span>Elsie</span></a></p><p class="story">...</p>
'''soup = BeautifulSoup(html, 'lxml')
print(type(soup.a.parents))
print(list(enumerate(soup.a.parents)))

运行结果如下：

<class 'generator'>
[(0, <p class="story">Once upon a time there were three little sisters; and their names were<a class="sister" href_="" id="link1">
<span>Elsie</span>
</a>
</p>), (1, <body>
<p class="story">Once upon a time there were three little sisters; and their names were<a class="sister" href_="" id="link1">
<span>Elsie</span>
</a>
</p>
<p class="story">...</p>
</body>), (2, <html>
<body>
<p class="story">Once upon a time there were three little sisters; and their names were<a class="sister" href_="" id="link1">
<span>Elsie</span>
</a>
</p>
<p class="story">...</p>
</body></html>), (3, <html>
<body>
<p class="story">Once upon a time there were three little sisters; and their names were<a class="sister" href_="" id="link1">
<span>Elsie</span>
</a>
</p>
<p class="story">...</p>
</body></html>)]

可以发现，返回结果是生成器类型。这里用列表输出了其索引和内容，列表中的元素就是a节点的祖先节点。

兄弟节点

子节点和父节点的获取方式已经介绍完毕，如果要获取同级节点，也就是兄弟节点，又该怎么办呢?实例如下:

from bs4 import BeautifulSouphtml = '''
<html>
<body><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"><span>Elsie</span></a>Hello<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>
'''soup = BeautifulSoup(html, 'lxml')
print('Next Sibling', soup.a.next_sibling)
print('Prev Sibling', soup.a.previous_sibling)
print('Next Siblings', list(enumerate(soup.a.next_siblings)))
print('Prev Siblings', list(enumerate(soup.a.previous_siblings)))

运行结果如下:

Next Sibling HelloPrev Sibling Once upon a time there were three little sisters; and their names wereNext Siblings [(0, '\n    Hello\n    '), (1, <a class="sister" href-="" id="link2">Lacie</a>), (2, '\n    and\n    '), (3, <a class="sister" href_="" id="link3">Tillie</a>), (4, '\n    and they lived at the bottom of a well.\n    ')]
Prev Siblings [(0, 'Once upon a time there were three little sisters; and their names were\n    ')]

可以看到，这里调用了4个属性。next_sibling和 previous_sibling 分别用于获取节点的下一个和上一个兄弟节点，next_siblings 和 previous_siblings 则分别返回后面和前面的所有兄弟节点。

提取信息

前面讲过关联元素节点的选择方法，如果想要获取它们的一些信息，例如文本、属性等，也可以用同样的方法，实例如下:

from bs4 import BeautifulSouphtml = '''
<html>
<body><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">Bob</a><a href="http://example.com/lacie" class="sister" id="link2">Lacie</a></p>
'''soup = BeautifulSoup(html, 'lxml')
print('Next Sibling:')
print(type(soup.a.next_sibling))
print(soup.a.next_sibling)
print(soup.a.next_sibling.string)
print('Parent:')
print(type(soup.a.parents))
print(list(soup.a.parents)[0])
print(list(soup.a.parents)[0].attrs['class'])

运行结果如下:

Next Sibling:
<class 'bs4.element.Tag'>
<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>
Lacie
Parent:
<class 'generator'>
<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">Bob</a><a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>
</p>
['story']

如果返回结果是单个节点，那么可以直接调用 string、attrs 等属性获得其文本和属性;如果返回结果是包含多个节点的生成器,则可以先将结果转为列表,再从中取出某个元素,之后调用 string、attrs 等属性即可获取对应节点的文本和属性。

方法选择器

前面讲的选择方法都是基于属性来选择的，这种方法虽然快，但是在进行比较复杂的选择时，会变得比较烦琐，不够灵活。幸好，BeautifulSoup还为我们提供了一些査询方法，例如 find_all和 find等，调用这些方法，然后传人相应的参数，就可以灵活查询了。

find_all

find_all，顾名思义就是查询所有符合条件的元素，可以给它传人一些属性或文本来得到符合条件的元素，功能十分强大。它的API如下:

find all(name ,attrs,recursive ,text ,**kwargs)

name

我们可以根据 name 参数来查询元素，下面用一个实例来感受一下:

from bs4 import BeautifulSouphtml = '''
<div class="panel"><div class="panel-heading"><h4>Hello</h4></div>
<div class="panel-body"><ul class="list" id="list-1"><li class="element">Foo</li><li class="element">Bar</li><li class="element">Jay</li></ul><ul class="list list-small" id="list-2"><li class="element">Foo</li><li class="element">Bar</li></ul></div>
</div>
'''soup = BeautifulSoup(html, 'lxml')
print(soup.find_all(name='ul'))
print(type(soup.find_all(name='ul')[0]))

运行结果如下:

[<ul class="list" id="list-1">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>, <ul class="list list-small" id="list-2">
<li class="element">Foo</li>
<li class="element">Bar</li>
</ul>]
<class 'bs4.element.Tag'>

这里我们调用了 find_all 方法，向其中传人 name 参数，其参数值为 ul，意思是査询所有 ul 节返回结果是列表类型，长度为2，列表中每个元素依然都是 bs4.element.Tag 类型。

因为都是 Tag类型，所以依然可以进行嵌套查询。下面这个实例还是以同样的文本为例，先查询所有 ul节点，查出后再继续查询其内部的 li 节点:

for ul in soup.find_all(name='ul'):print(ul.find_all(name='li'))

运行结果如下:

[<li class="element">Foo</li>, <li class="element">Bar</li>, <li class="element">Jay</li>]
[<li class="element">Foo</li>, <li class="element">Bar</li>]

attrs

除了根据节点名查询，我们也可以传人一些属性进行查询，下面用一个实例感受一下:

from bs4 import BeautifulSouphtml = '''
<div class="panel"><div class="panel-heading"><h4>Hello</h4></div>
<div class="panel-body"><ul class="list" id="list-1" name = "elements"><li class="element">Foo</li><li class="element">Bar</li><li class="element">Jay</li></ul><ul class="list list-small" id="list-2"><li class="element">Foo</li><li class="element">Bar</li></ul></div>
</div>
'''soup = BeautifulSoup(html, 'lxml')
print(soup.find_all(attrs={'id': 'list-1'}))
print(soup.find_all(attrs={'name': 'elements'}))

运行结果如下:

[<ul class="list" id="list-1" name="elements">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>]
[<ul class="list" id="list-1" name="elements">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>]

这里查询的时候，传入的是 attrs 参数，其属于字典类型。例如，要査询id为 list-1的节点，就可以传入 attrs={‘id’:‘list-1’}作为查询条件，得到的结果是列表形式，列表中的内容就是符合id为 list-1这一条件的所有节点。在上面的实例中，符合条件的元素个数是1，所以返回结果是长度为1的列表。

对于一些常用的属性，例如 id 和 class 等,我们可以不用 attrs 传递。例如，要査询id为list-1的节点，可以直接传人 id这个参数。还是使用上面的文本，只不过换一种方式来查询:
``python
soup = BeautifulSoup(html, ‘lxml’)
print(soup.find_all(id=‘list-1’))
print(soup.find_all(class_=‘element’))


运行结果如下:
```text
[<ul class="list" id="list-1" name="elements">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>]
[<li class="element">Foo</li>, <li class="element">Bar</li>, <li class="element">Jay</li>, <li class="element">Foo</li>, <li class="element">Bar</li>]

这里直接传入 id=‘list-1’,就可以査询id为list-1的节点元素了。而对于class 来说,由于 class在 Python 里是一个关键字,所以后面需要加一个下划线,即 class_=‘element’,返回结果依然是 Tag对象组成的列表。

string（老版本是text）
string 参数可以用来匹配节点的文本，其传人形式可以是字符串，也可以是正则表达式对象，实例如下:

from bs4 import BeautifulSoup
import rehtml = '''
<div class="panel"><div class="panel-body"><a>Hello,this is a link</a><a>Hello,this is a link,too</a></div>
</div>
'''soup = BeautifulSoup(html, 'lxml')
print(soup.find_all(string=re.compile('link')))

运行结果如下:

['Hello,this is a link', 'Hello,this is a link,too']

这里有两个a节点，其内部包含文本信息。这里在 find_all方法中传入 text 参数，该参数为正则表达式对象，返回结果是由所有与正则表达式相匹配的节点文本组成的列表。

find
除了 find_all方法，还有 find方法也可以査询符合条件的元素，只不过 find方法返回的是单个元素，也就是第一个匹配的元素，而 find_all 会返回由所有匹配的元素组成的列表。实例如下:

from bs4 import BeautifulSouphtml = '''
<div class="panel"><div class="panel-heading"><h4>Hello</h4></div>
<div class="panel-body"><ul class="list" id="list-1" name = "elements"><li class="element">Foo</li><li class="element">Bar</li><li class="element">Jay</li></ul><ul class="list list-small" id="list-2"><li class="element">Foo</li><li class="element">Bar</li></ul></div>
</div>
'''soup = BeautifulSoup(html, 'lxml')
print(soup.find(name='ul'))
print(type(soup.find(name='ul')))
print(soup.find(class_='list'))

可以看到，返回结果不再是列表形式，而是第一个匹配的节点元素，类型依然是Tag 类型。

另外还有许多查询方法，用法与介绍过的find_all、find完全相同，区别在于查询范围不同，在此做一下简单的说明。

find parents 和 find parent:前者返回所有祖先节点，后者返回直接父节点。
find_next_siblings 和 find_next_sibling:前者返回后面的所有兄弟节点，后者返回后面第一个兄弟节点。
find_previous_siblings 和 find_previous_sibling:前者返回前面的所有兄弟节点,后者返回前面第一个兄弟节点。
find_all_next 和 find_next:前者返回节点后面所有符合条件的节点，后者返回后面第一个符合条件的节点。
find_all_previous 和 find_previous:前者返回节点前面所有符合条件的节点，后者返回前面第一个符合条件的节点。

CSS选择器

BeautifulSoup还提供了另外一种选择器–CSS 选择器。如果你熟悉 Web开发,那么肯定对 CSS
选择器不陌生。

使用 CSS 选择器，只需要调用 select 方法，传入相应的 CSS 选择器即可。我们用一个实例感受一下:

from bs4 import BeautifulSouphtml = '''
<div class="panel"><div class="panel-heading"><h4>Hello</h4></div>
<div class="panel-body"><ul class="list" id="list-1" name = "elements"><li class="element">Foo</li><li class="element">Bar</li><li class="element">Jay</li></ul><ul class="list list-small" id="list-2"><li class="element">Foo</li><li class="element">Bar</li></ul></div>
</div>
'''soup = BeautifulSoup(html, 'lxml')
print(soup.select('.panel .panel-heading'))
print(soup.select('ul li'))
print(soup.select('#list-2 .element'))
print(type(soup.select('ul')[0]))

运行结果如下:

[<div class="panel-heading">
<h4>Hello</h4>
</div>]
[<li class="element">Foo</li>, <li class="element">Bar</li>, <li class="element">Jay</li>, <li class="element">Foo</li>, <li class="element">Bar</li>]
[<li class="element">Foo</li>, <li class="element">Bar</li>]
<class 'bs4.element.Tag'>

这里我们用了3次 CSS 选择器，返回结果均是由符合CSS 选择器的节点组成的列表。例如，select(‘u1 li’)表示选择所有 u1 节点下面的所有 li 节点，结果便是所有 li 节点组成的列表。

在最后一句中，我们打印输出了列表中元素的类型。可以看到，类型依然是Tag类型。

嵌套选择

select方法同样支持嵌套选择，例如先选择所有ul节点，再遍历每个ul节点，选择其 li节点实例如下:

soup = BeautifulSoup(html, 'lxml')
for ul in soup.select('ul'):print(ul.select('li'))

运行结果如下:

[<li class="element">Foo</li>, <li class="element">Bar</li>, <li class="element">Jay</li>]
[<li class="element">Foo</li>, <li class="element">Bar</li>]

可以看到，正常输出了每个叫节点下所有li节点组成的列表。

获取属性

既然知道节点是 Tag类型,于是获取属性依然可以使用原来的方法。还是基于上面的 HTML文本,这里尝试获取每个ul节点的id 属性:

soup = BeautifulSoup(html, 'lxml')
for ul in soup.select('ul'):print(ul['id'])print(ul.attrs['id'])

运行结果如下:

list-1
list-1
list-2
list-2

可以看到，直接将属性名传入中括号和通过 attrs 属性获取属性值，都是可以成功获取属性的。

获取文本

要获取文本，当然也可以用前面所讲的 string属性。除此之外，还有一个方法，就是 get_text,实例如下:

soup = BeautifulSoup(html, 'lxml')
for li in soup.select('li'):print('Get Text:',li.get_text())print('string:',li.string)

运行结果如下:

Get Text: Foo
string: Foo
Get Text: Bar
string: Bar
Get Text: Jay
string: Jay
Get Text: Foo
string: Foo
Get Text: Bar
string: Bar

二者的实现效果完全一致，都可以获取节点的文本值。

总结

到此，Beautiful Soup 的介绍基本就结束了，最后做一下简单的总结。

推荐使用 LXML解析库，必要时使用 html.parser。
节点选择器筛选功能弱，但是速度快。
建议使用 find、find_all方法查询匹配的单个结果或者多个结果口如果对 CSS 选择器熟悉，则可以使用 select 选择法。

Beautiful Soup简介

解释器

准备工作

基本使用

节点选择器

提取信息

关联选择

方法选择器

CSS选择器

总结

相关文章：