Beautiful Soup 模块 · 测试文档

## [Python爬虫利器二之Beautiful Soup的用法] 上一节我们介绍了正则表达式，它的内容其实还是蛮多的，如果一个正则匹配稍有差池，那可能程序就处在永久的循环之中，而且有的小伙伴们也对写正则表达式的写法用得不熟练，没关系，我们还有一个更强大的工具，叫Beautiful Soup，有了它我们可以很方便地提取出HTML或XML标签中的内容，实在是方便，这一节就让我们一起来感受一下Beautiful Soup的强大吧。 ## 1\. Beautiful Soup的简介简单来说，Beautiful Soup是python的一个库，最主要的功能是从网页抓取数据。官方解释如下： > 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。 > > 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。你不需要考虑编码方式，除非文档没有指定一个编码方式，这时，Beautiful Soup就不能自动识别编码方式了。然后，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lxml、html6lib一样出色的python解释器，为用户灵活地提供不同的解析策略或强劲的速度。废话不多说，我们来试一下吧~ ## 2\. Beautiful Soup 安装 Beautiful Soup 3 目前已经停止开发，推荐在现在的项目中使用Beautiful Soup 4，不过它已经被移植到BS4了，也就是说导入时我们需要 import bs4 。所以这里我们用的版本是 Beautiful Soup 4.3.2 (简称BS4)，另外据说 BS4 对 Python3 的支持不够好，不过我用的是 Python2.7.7，如果有小伙伴用的是 Python3 版本，可以考虑下载 BS3 版本。可以利用 pip 或者 easy\_install 来安装，以下两种方法均可 ``` easy_install beautifulsoup4 ``` ``` pip install beautifulsoup4 ``` 如果想安装最新的版本，请直接下载安装包来手动安装，也是十分方便的方法。在这里我安装的是 Beautiful Soup 4.3.2 [Beautiful Soup 3.2.1](https://pypi.python.org/pypi/BeautifulSoup/3.2.1)[Beautiful Soup 4.3.2](https://pypi.python.org/pypi/beautifulsoup4/4.3.2) 下载完成之后解压运行下面的命令即可完成安装 ``` sudo python setup.py install ``` 然后需要安装 lxml ``` easy_install lxml ``` ``` pip 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: ``` easy_install html5lib ``` ``` pip install html5lib ``` 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。 | 解析器 | 使用方法 | 优势 | 劣势 | | --- | --- | --- | --- | | Python标准库 | BeautifulSoup(markup, “html.parser”) |1、Python的内置标准库 2、执行速度适中 3、文档容错能力强 | Python 2.7.3 or 3.2.2)前的版本中文档容错能力差 | | lxml HTML 解析器 | BeautifulSoup(markup, “lxml”) |1、速度快 2、文档容错能力强| 需要安装C语言库 | | lxml XML 解析器 | BeautifulSoup(markup, [“lxml”, “xml”]) BeautifulSoup(markup, “xml”) | 1、速度快 2、唯一支持XML的解析器 | 需要安装C语言库 | | html5lib | BeautifulSoup(markup, “html5lib”) | 1、最好的容错性 2、以浏览器的方式解析文档 3、生成HTML5格式的文档 | 1、速度慢 2、不依赖外部扩展 | ## 3\. 开启Beautiful Soup 之旅在这里先分享官方文档链接，不过内容是有些多，也不够条理，在此本文章做一下整理方便大家参考。 [官方文档](http://beautifulsoup.readthedocs.org/zh_CN/latest) ## 4. 创建 Beautiful Soup 对象首先必须要导入 bs4 库 ``` from bs4 import BeautifulSoup ``` 我们创建一个字符串，后面的例子我们便会用它来演示 Python ``` html = """ <html><head><title>The Dormouse's story</title></head> <body> The Dormouse's story Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1"></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. ... """ ``` 创建 beautifulsoup 对象 Python ``` soup = BeautifulSoup(html) ``` 另外，我们还可以用本地 HTML 文件来创建对象，例如 ``` soup = BeautifulSoup(open('index.html')) ``` 上面这句代码便是将本地 index.html 文件打开，用它来创建 soup 对象下面我们来打印一下 soup 对象的内容，格式化输出 ``` print soup.prettify() ``` ``` <html> <head> <title> The Dormouse's story </title> </head> <body> The Dormouse's story Once upon a time there were three little sisters; and their names were <a class="sister" href="http://example.com/elsie" id="link1">  </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. ... </body> </html> ``` 以上便是输出结果，格式化打印出了它的内容，这个函数经常用到，小伙伴们要记好咯。 ## 5. 四大对象种类 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4种: * Tag * NavigableString * BeautifulSoup * Comment 下面我们进行一一介绍 ### **（1）Tag** Tag 是什么？通俗点讲就是 HTML 中的一个个标签，例如 ``` <title>The Dormouse's story</title> ``` ``` <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a> ``` 上面的 title a 等等 HTML 标签加上里面包括的内容就是 Tag，下面我们来感受一下怎样用 Beautiful Soup 来方便地获取 Tags 下面每一段代码中注释部分即为运行结果 ``` print soup.title #<title>The Dormouse's story</title> ``` ``` print soup.head #<head><title>The Dormouse's story</title></head> ``` ``` print soup.a #<a class="sister" href="http://example.com/elsie" id="link1"></a> ``` ``` print soup.p #The Dormouse's story ``` 我们可以利用 soup加标签名轻松地获取这些标签的内容，是不是感觉比正则表达式方便多了？不过有一点是，它查找的是在所有内容中的第一个符合要求的标签，如果要查询所有的标签，我们在后面进行介绍。我们可以验证一下这些对象的类型 ``` print type(soup.a) #<class 'bs4.element.Tag'> ``` 对于 Tag，它有两个重要的属性，是 name 和 attrs，下面我们分别来感受一下 **name** ``` print soup.name print soup.head.name #[document] #head ``` soup 对象本身比较特殊，它的 name 即为 \[document\]，对于其他内部标签，输出的值便为标签本身的名称。 **attrs** ``` print soup.p.attrs #{'class': ['title'], 'name': 'dromouse'} ``` 在这里，我们把 p 标签的所有属性打印输出了出来，得到的类型是一个字典。如果我们想要单独获取某个属性，可以这样，例如我们获取它的 class 叫什么 ``` print soup.p['class'] #['title'] ``` 还可以这样，利用get方法，传入属性的名称，二者是等价的 ``` 12print soup.p.get('class')#['title'] ``` 我们可以对这些属性和内容等等进行修改，例如 ``` soup.p['class']="newClass" print soup.p #The Dormouse's story ``` 还可以对这个属性进行删除，例如 ``` del soup.p['class'] print soup.p #The Dormouse's story ``` 不过，对于修改删除的操作，不是我们的主要用途，在此不做详细介绍了，如果有需要，请查看前面提供的官方文档 ### **（2）NavigableString** 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 soup.p.string #The Dormouse's story ``` 这样我们就轻松获取到了标签里面的内容，想想如果用正则表达式要多麻烦。它的类型是一个 NavigableString，翻译过来叫可以遍历的字符串，不过我们最好还是称它英文名字吧。来检查一下它的类型 ``` print type(soup.p.string) #<class 'bs4.element.NavigableString'> ``` ### **（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，以及属性来感受一下 ``` print type(soup.name) #<type 'unicode'> print soup.name # [document] print soup.attrs #{} 空字典 ``` ### **（4）Comment** Comment对象是一个特殊类型的NavigableString对象，其实输出的内容仍然不包括注释符号，但是如果不好好处理它，可能会对我们的文本处理造成意想不到的麻烦。我们找一个带注释的标签 ``` print soup.a print soup.a.string print type(soup.a.string) ``` 运行结果如下 ``` <a class="sister" href="http://example.com/elsie" id="link1"></a> Elsie <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 ``` 上面的代码中，我们首先判断了它的类型，是否为 Comment 类型，然后再进行其他操作，如打印输出。 ## 6. 遍历文档树 ### **（1）直接子节点** > **要点：.contents .children** **属性** **.contents** 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 #[<title>The Dormouse's story</title>] ``` 输出方式为列表，我们可以用列表索引来获取它的某一个元素 ``` print soup.head.contents[0] #<title>The Dormouse's story</title> ``` **.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 ``` print soup.head.children #<listiterator object at 0x7f71457f5710> ``` 我们怎样获得里面的内容呢？很简单，遍历一下就好了，代码及结果如下 ``` for child in soup.body.children: print child ``` ``` The Dormouse's story Once upon a time there were three little sisters; and their names were <a class="sister" href="http://example.com/elsie" id="link1"></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. ... ``` ### ** （2）所有子孙节点** > **知识点：.descendants****属性** **.descendants** .contents和.children属性仅包含tag的直接子节点，.descendants属性可以对所有tag的子孙节点进行递归循环，和 children类似，我们也需要遍历获取其中的内容。 ``` for child in soup.descendants: print child ``` 运行结果如下，可以发现，所有的节点都被打印出来了，先生最外层的 HTML标签，其次从 head 标签一个个剥离，以此类推。 ``` <html><head><title>The Dormouse's story</title></head> <body> The Dormouse's story Once upon a time there were three little sisters; and their names were <a class="sister" href="http://example.com/elsie" id="link1"></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. ... </body></html> <head><title>The Dormouse's story</title></head> <title>The Dormouse's story</title> The Dormouse's story <body> The Dormouse's story Once upon a time there were three little sisters; and their names were <a class="sister" href="http://example.com/elsie" id="link1"></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. ... </body> The Dormouse's story The Dormouse's story The Dormouse's story Once upon a time there were three little sisters; and their names were <a class="sister" href="http://example.com/elsie" id="link1"></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. Once upon a time there were three little sisters; and their names were <a class="sister" href="http://example.com/elsie" id="link1"></a> Elsie , <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> Lacie and <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a> Tillie ; and they lived at the bottom of a well. ... ... ``` ### ** （3）节点内容** > 知识点：.string 属性如果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 ``` ### **（4）多个内容** > **知识点： .strings .stripped\_strings 属性** **.strings** 获取多个内容，不过需要遍历获取，比如下面的例子 ``` for string in soup.strings: print(repr(string)) # u"The Dormouse's story" # u'\n\n' # u"The Dormouse's story" # u'\n\n' # u'Once upon a time there were three little sisters; and their names were\n' # u'Elsie' # u',\n' # u'Lacie' # u' and\n' # u'Tillie' # u';\nand they lived at the bottom of a well.' # u'\n\n' # u'...' # u'\n' ``` **.stripped\_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)) # u"The Dormouse's story" # u"The Dormouse's story" # u'Once upon a time there were three little sisters; and their names were' # u'Elsie' # u',' # u'Lacie' # u'and' # u'Tillie' # u';\nand they lived at the bottom of a well.' # u'...' ``` ### **（5）父节点** > ** 知识点： .parent 属性** ``` p = soup.p print p.parent.name #body ``` ``` content = soup.head.title.string print content.parent.name #title ``` ### **（6）全部父节点** > **知识点：.parents 属性** 通过元素的.parents属性可以递归得到元素的所有父辈节点，例如 ``` content = soup.head.title.string for parent in content.parents: print parent.name ``` ``` title head html [document] ``` ### ** （7）兄弟节点** > **知识点：.next\_sibling .previous\_sibling 属性** 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 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 ``` print soup.p.next_sibling # 实际该处为空白 print soup.p.prev_sibling #None 没有前一个兄弟节点，返回 None print soup.p.next_sibling.next_sibling #Once upon a time there were three little sisters; and their names were #<a class="sister" href="http://example.com/elsie" id="link1"></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. #下一个节点的下一个兄弟节点是我们可以看到的节点 ``` ### **（8）全部兄弟节点** > **知识点：.next\_siblings .previous\_siblings 属性** 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)) # u',\n' # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> # u' and\n' # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a> # u'; and they lived at the bottom of a well.' # None ``` ### **（9）前后节点** > **知识点：.next\_element .previous\_element 属性** 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> ``` ### **（10）所有前后节点** > **知识点：.next\_elements .previous\_elements 属性** 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 element in last_a_tag.next_elements: print(repr(element)) # u'Tillie' # u';\nand they lived at the bottom of a well.' # u'\n\n' # ... # u'...' # u'\n' # None ``` 以上是遍历文档树的基本用法。 ## 7.搜索文档树 ### （1）find\_all( name , attrs , recursive , text , \*\*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 **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 **A.传字符串** 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标签 ``` soup.find_all('b') # [The Dormouse's story] ``` ``` print soup.find_all('a') #[<a class="sister" href="http://example.com/elsie" id="link1"></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>] ``` **B.传正则表达式** 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,这表示和标签都应该被找到 ``` import re for tag in soup.find_all(re.compile("^b")): print(tag.name) # body # b ``` **C.传列表** 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标签和标签 ``` soup.find_all(["a", "b"]) # [The Dormouse's story, # <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>] ``` **D.传 True** 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 ``` **E.传方法** 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[\[4\]](http://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#id85),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,将得到所有标签: ``` soup.find_all(has_class_but_no_id) # [The Dormouse's story, # Once upon a time there were..., # ...] ``` **2）keyword 参数** > **注意：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>] ``` 如果传入href参数,Beautiful Soup会搜索每个tag的”href”属性 ``` soup.find_all(href=re.compile("elsie")) # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</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>] ``` 在这里我们想用 class 过滤，不过 class 是 python 的关键词，这怎么办？加个下划线就可以 ``` 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>] ``` 有些tag属性在搜索不能使用,比如HTML5中的 data-\* 属性 ``` data_soup = BeautifulSoup('<div data-foo="value">foo!</div>') data_soup.find_all(data-foo="value") # SyntaxError: keyword can't be an expression ``` 但是可以通过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>] ``` **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 ``` soup.find_all(text="Elsie") # [u'Elsie'] soup.find_all(text=["Tillie", "Elsie", "Lacie"]) # [u'Elsie', u'Lacie', u'Tillie'] soup.find_all(text=re.compile("Dormouse")) [u"The Dormouse's story", u"The Dormouse's story"] ``` **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. 文档树中有3个tag符合搜索条件,但结果只返回了2个,因为我们限制了返回数量 ``` 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>] ``` **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. 一段简单的文档: ``` <html> <head> <title> The Dormouse's story </title> </head> ... ``` 是否使用recursive参数的搜索结果: ``` soup.html.find_all("title") # [<title>The Dormouse's story</title>] soup.html.find_all("title", recursive=False) # [] ``` ### （2）find( name , attrs , recursive , text , \*\*kwargs ) 它与 find\_all() 方法唯一的区别是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 ### （3）find\_parents() find\_parent() find\_all()和find()只搜索当前节点的所有子节点,孙子节点等.find\_parents()和find\_parent()用来搜索当前节点的父辈节点,搜索方法与普通tag的搜索方法相同,搜索文档搜索文档包含的内容 ### （4）find\_next\_siblings() find\_next\_sibling() 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 ### （5）find\_previous\_siblings() find\_previous\_sibling() 这2个方法通过 .previous\_siblings 属性对当前 tag 的前面解析的兄弟 tag 节点进行迭代,find\_previous\_siblings()方法返回所有符合条件的前面的兄弟节点,find\_previous\_sibling()方法返回第一个符合条件的前面的兄弟节点 ### （6）find\_all\_next() find\_next() 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 ### （7）find\_all\_previous() 和 find\_previous() 这2个方法通过 .previous\_elements 属性对当前节点前面的 tag 和字符串进行迭代,find\_all\_previous()方法返回所有符合条件的节点,find\_previous()方法返回第一个符合条件的节点 > **注：以上（2）（3）（4）（5）（6）（7）方法参数用法与 find\_all() 完全相同，原理均类似，在此不再赘述。** ## 8.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('a') #[<a class="sister" href="http://example.com/elsie" id="link1"></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 soup.select('b') #[The Dormouse's story] ``` ### （2）通过类名查找 ``` print soup.select('.sister') #[<a class="sister" href="http://example.com/elsie" id="link1"></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"></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 #link1') #[<a class="sister" href="http://example.com/elsie" id="link1"></a>] ``` 直接子标签查找 ``` print soup.select("head > title") #[<title>The Dormouse's story</title>] ``` ### （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[class="sister"]') #[<a class="sister" href="http://example.com/elsie" id="link1"></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 soup.select('a[href="http://example.com/elsie"]') #[<a class="sister" href="http://example.com/elsie" id="link1"></a>] ``` 同样，属性仍然可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格 ``` print soup.select('p a[href="http://example.com/elsie"]') #[<a class="sister" href="http://example.com/elsie" id="link1"></a>] ``` 以上的 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。 ``` soup = BeautifulSoup(html, 'lxml') print type(soup.select('title')) print soup.select('title')[0].get_text() for title in soup.select('title'): print title.get_text() ``` 好，这就是另一种与 find\_all 方法有异曲同工之妙的查找方法，是不是感觉很方便？ ## 总结本篇内容比较多，把 Beautiful Soup 的方法进行了大部分整理和总结，不过这还不算完全，仍然有 Beautiful Soup 的修改删除功能，不过这些功能用得比较少，只整理了查找提取的方法，希望对大家有帮助！小伙伴们加油！熟练掌握了 Beautiful Soup，一定会给你带来太多方便，加油吧！