摘要：如果一個僅有一個子節點那么這個也可以使用方法輸出結果與當前唯一子節點的結果相同。如果標簽里面只有唯一的一個標簽了，那么也會返回最里面的內容。

文章來源[Python爬蟲利器二之Beautiful Soup的用法 | 靜覓](http://cuiqingcai.com/1319.html

首先必須要導入 bs4 庫

from bs4 import BeautifulSoup
from bs4 import BeautifulSoup

我們創建一個字符串，后面的例子我們便會用它來演示

Python

html = """   
The Dormouse"s story
 
Once upon a time there were three little sisters; and their names were , Lacie and Tillie; and they lived at the bottom of a well.
 
...
 """

創建 beautifulsoup 對象

soup = BeautifulSoup(html, "lxml")

另外，我們還可以用本地 HTML 文件來創建對象，例如

soup = BeautifulSoup(open("index.html"), "lxml")

上面這句代碼便是將本地 index.html 文件打開，用它來創建 soup 對象
下面我們來打印一下 soup 對象的內容，格式化輸出

print soup.prettify()

     
  The Dormouse"s story  
 
 Once upon a time there were three little sisters; and their names were    ,  Lacie  and  Tillie  ; and they lived at the bottom of a well. 
 
 ... 
  

以上便是輸出結果，格式化打印出了它的內容，這個函數經常用到，小伙伴們要記好咯。

Beautiful Soup將復雜HTML文檔轉換成一個復雜的樹形結構,每個節點都是Python對象,所有對象可以歸納為4種:

Tag

NavigableString

BeautifulSoup

Comment

下面我們進行一一介紹

Tag 是什么？通俗點講就是 HTML 中的一個個標簽，例如

Elsie

上面的 title a 等等 HTML 標簽加上里面包括的內容就是 Tag，下面我們來感受一下怎樣用 Beautiful Soup 來方便地獲取 Tags

下面每一段代碼中注釋部分即為運行結果

print soup.title
# 

print soup.title
 # 

print soup.head
# 

print soup.head
 # 

print soup.a 
# 

print soup.a
 # 

print soup.p 
# 
The Dormouse"s story

print soup.p
 # 
The Dormouse"s story

我們可以利用 soup加標簽名輕松地獲取這些標簽的內容，是不是感覺比正則表達式方便多了？不過有一點是，它查找的是在所有內容中的第一個符合要求的標簽，如果要查詢所有的標簽，我們在后面進行介紹。

我們可以驗證一下這些對象的類型

print type(soup.a) # 

print type(soup.a)
 # 

對于 Tag，它有兩個重要的屬性，是 name 和 attrs，下面我們分別來感受一下

name

print soup.name
print soup.head.name
 # [document]
 # head

soup 對象本身比較特殊，它的 name 即為 [document]，對于其他內部標簽，輸出的值便為標簽本身的名稱。

attrs

print soup.p.attrs 
# {"class": ["title"], "name": "dromouse"}
print soup.p.attrs
# {"class": ["title"], "name": "dromouse"}

在這里，我們把 p 標簽的所有屬性打印輸出了出來，得到的類型是一個字典。
如果我們想要多帶帶獲取某個屬性，可以這樣，例如我們獲取它的 class 叫什么

print soup.p["class"]
# ["title"]
print soup.p["class"]
# ["title"]

還可以這樣，利用get方法，傳入屬性的名稱，二者是等價的

print soup.p.get("class") 
# ["title"]
print soup.p.get("class")
# ["title"]

我們可以對這些屬性和內容等等進行修改，例如

soup.p["class"]="newClass"
print soup.p
 # 
The Dormouse"s story

還可以對這個屬性進行刪除，例如

del soup.p["class"]
print soup.p
 # 
The Dormouse"s story

不過，對于修改刪除的操作，不是我們的主要用途，在此不做詳細介紹了，如果有需要，請查看前面提供的官方文檔

既然我們已經得到了標簽的內容，那么問題來了，我們要想獲取標簽內部的文字怎么辦呢？很簡單，用 .string 即可，例如

print soup.p.string
# The Dormouse"s story

這樣我們就輕松獲取到了標簽里面的內容，想想如果用正則表達式要多麻煩。它的類型是一個?NavigableString，翻譯過來叫 可以遍歷的字符串，不過我們最好還是稱它英文名字吧。

來檢查一下它的類型

print type(soup.p.string)
# 

BeautifulSoup 對象表示的是一個文檔的全部內容.大部分時候,可以把它當作 Tag 對象，是一個特殊的 Tag，我們可以分別獲取它的類型，名稱，以及屬性來感受一下

print type(soup.name)
 # 
print soup.name
 # [document]
print soup.attrs
 # {} 空字典

Comment 對象是一個特殊類型的 NavigableString 對象，其實輸出的內容仍然不包括注釋符號，但是如果不好好處理它，可能會對我們的文本處理造成意想不到的麻煩。

我們找一個帶注釋的標簽

print soup.a
print soup.a.string
print type(soup.a.string)

運行結果如下

Elsie

a 標簽里的內容實際上是注釋，但是如果我們利用 .string 來輸出它的內容，我們發現它已經把注釋符號去掉了，所以這可能會給我們帶來不必要的麻煩。

另外我們打印輸出下它的類型，發現它是一個 Comment 類型，所以，我們在使用前最好做一下判斷，判斷代碼如下

if type(soup.a.string)==bs4.element.Comment:
print soup.a.string

上面的代碼中，我們首先判斷了它的類型，是否為 Comment 類型，然后再進行其他操作，如打印輸出。

要點：.contents ?.children ? 屬性

.contents

tag 的 .content?屬性可以將tag的子節點以列表的方式輸出

print soup.head.contents
 # []

輸出方式為列表，我們可以用列表索引來獲取它的某一個元素

print soup.head.contents[0]
 # 

.children

它返回的不是一個 list，不過我們可以通過遍歷獲取所有子節點。

我們打印輸出 .children 看一下，可以發現它是一個 list 生成器對象

print soup.head.children
 # 

我們怎樣獲得里面的內容呢？很簡單，遍歷一下就好了，代碼及結果如下

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
,
Lacie and

知識點：.descendants 屬性

.descendants

.contents 和 .children 屬性僅包含tag的直接子節點，.descendants 屬性可以對所有tag的子孫節點進行遞歸循環，和 children類似，我們也需要遍歷獲取其中的內容。

for child in soup.descendants:
print child

運行結果如下，可以發現，所有的節點都被打印出來了，先生最外層的 HTML標簽，其次從 head 標簽一個個剝離，以此類推。

The Dormouse"s story
Once upon a time there were three little sisters; and their names were
,

知識點：.string 屬性

如果tag只有一個 NavigableString 類型子節點,那么這個tag可以使用 .string 得到子節點。如果一個tag僅有一個子節點,那么這個tag也可以使用 .string 方法,輸出結果與當前唯一子節點的 .string 結果相同。

通俗點說就是：如果一個標簽里面沒有標簽了，那么 .string 就會返回標簽里面的內容。如果標簽里面只有唯一的一個標簽了，那么 .string 也會返回最里面的內容。例如

print soup.head.string
 # The Dormouse"s story
print soup.title.string
 # The Dormouse"s story

如果tag包含了多個子節點,tag就無法確定，string?方法應該調用哪個子節點的內容, .string?的輸出結果是 None

print soup.html.string
 # None

知識點： .strings ?.stripped_strings 屬性

.strings

獲取多個內容，不過需要遍歷獲取，比如下面的例子

for string in soup.strings:
    print(repr(string))
    # u"The Dormouse"s story"
    # u"

"
    # u"The Dormouse"s story"
    # u"

"
    # u"Once upon a time there were three little sisters; and their names were
"
    # u"Elsie"
    # u",
"
    # u"Lacie"
    # u" and
"
    # u"Tillie"
    # u";
and they lived at the bottom of a well."
    # u"

"
    # u"..."
    # u"
"

.stripped_strings

輸出的字符串中可能包含了很多空格或空行,使用 .stripped_strings 可以去除多余空白內容

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";
and they lived at the bottom of a well."
    # u"..."

知識點： .parent 屬性

p = soup.p
print p.parent.name
#body

content = soup.head.title.string
print content.parent.name
 # title

知識點：.parents 屬性

通過元素的 .parents 屬性可以遞歸得到元素的所有父輩節點，例如

content = soup.head.title.string
for parent in  content.parents:
    print parent.name

title
head
html
[document]

知識點：.next_sibling ?.previous_sibling 屬性

兄弟節點可以理解為和本節點處在統一級的節點，.next_sibling 屬性獲取了該節點的下一個兄弟節點，.previous_sibling 則與之相反，如果節點不存在，則返回 None

注意：實際文檔中的tag的 .next_sibling 和 .previous_sibling 屬性通常是字符串或空白，因為空白或者換行也可以被視作一個節點，所以得到的結果可能是空白或者換行

print soup.p.next_sibling
#       實際該處為空白
print soup.p.prev_sibling
#None   沒有前一個兄弟節點，返回 None
print soup.p.next_sibling.next_sibling
#
Once upon a time there were three little sisters; and their names were
#,
#Lacie and
#Tillie;
#and they lived at the bottom of a well.
#下一個節點的下一個兄弟節點是我們可以看到的節點

知識點：.next_siblings ?.previous_siblings 屬性

通過 .next_siblings 和 .previous_siblings 屬性可以對當前節點的兄弟節點迭代輸出

for sibling in soup.a.next_siblings:
    print(repr(sibling))
    # u",
"
    # Lacie
    # u" and
"
    # Tillie
    # u"; and they lived at the bottom of a well."
    # None

知識點：.next_element ?.previous_element 屬性

與?.next_sibling ?.previous_sibling 不同，它并不是針對于兄弟節點，而是在所有節點，不分層次

比如 head 節點為

那么它的下一個節點便是 title，它是不分層次關系的

print soup.head.next_element
 # 

知識點：.next_elements ?.previous_elements 屬性

通過 .next_elements 和 .previous_elements 的迭代器就可以向前或向后訪問文檔的解析內容,就好像文檔正在被解析一樣

for element in last_a_tag.next_elements:
    print(repr(element))
# u"Tillie"
# u";
and they lived at the bottom of a well."
# u"

"
# 
...
# u"..."
# u"
"
# None

以上是遍歷文檔樹的基本用法。

find_all() 方法搜索當前tag的所有tag子節點,并判斷是否符合過濾器的條件

1）name 參數

name 參數可以查找所有名字為 name 的tag,字符串對象會被自動忽略掉

A.傳字符串

最簡單的過濾器是字符串.在搜索方法中傳入一個字符串參數,Beautiful Soup會查找與字符串完整匹配的內容,下面的例子用于查找文檔中所有的標簽

soup.find_all("b")
 # [The Dormouse"s story]

print soup.find_all("a")
 # [, Lacie, Tillie]

B.傳正則表達式

如果傳入正則表達式作為參數,Beautiful Soup會通過正則表達式的 match() 來匹配內容.下面例子中找出所有以b開頭的標簽,這表示和標簽都應該被找到

import re
for tag in soup.find_all(re.compile("^b")):
print(tag.name)
 # body
 # b

C.傳列表

如果傳入列表參數,Beautiful Soup會將與列表中任一元素匹配的內容返回.下面代碼找到文檔中所有標簽和標簽

soup.find_all(["a", "b"])
 # [The Dormouse"s story,
 # ??Elsie,
 # ??Lacie,
 # ??Tillie]

D.傳 True

True 可以匹配任何值,下面代碼查找到所有的tag,但是不會返回字符串節點

for tag in soup.find_all(True):
    print(tag.name)
# html
# head
# title
# body
# p
# b
# p
# a
# a

E.傳方法

如果沒有合適過濾器,那么還可以定義一個方法,方法只接受一個元素參數 [[4]](http://www.crummy.com/softwar... ,如果這個方法返回 True 表示當前元素匹配并且被找到,如果不是則反回 False

下面方法校驗了當前元素,如果包含 class 屬性卻不包含 id 屬性,那么將返回True:

def has_class_but_no_id(tag):
return tag.has_attr("class") and not tag.has_attr("id")

將這個方法作為參數傳入 find_all() 方法,將得到所有

標簽:

soup.find_all(has_class_but_no_id)
 # [
The Dormouse"s story
,
 # ??
Once upon a time there were...
,
 # ??
...
]

2）keyword 參數

注意：如果一個指定名字的參數不是搜索內置的參數名,搜索時會把該參數當作指定名字tag的屬性來搜索,如果包含一個名字為 id 的參數,Beautiful Soup會搜索每個tag的”id”屬性

soup.find_all(id="link2")
 # [Lacie]

如果傳入 href 參數,Beautiful Soup會搜索每個tag的”href”屬性

soup.find_all(href=re.compile("elsie"))
 # [Elsie]

使用多個指定名字的參數可以同時過濾tag的多個屬性

soup.find_all(href=re.compile("elsie"), id="link1")
 # [three]

在這里我們想用 class 過濾，不過 class 是 python 的關鍵詞，這怎么辦？加個下劃線就可以

soup.find_all("a", class_="sister")
 # [Elsie,
 # ??Lacie,
 # ??Tillie]

有些tag屬性在搜索不能使用,比如HTML5中的 data-* 屬性

data_soup = BeautifulSoup("
foo!
")
data_soup.find_all(data-foo="value")
 # SyntaxError: keyword can"t be an expression

但是可以通過 find_all() 方法的 attrs 參數定義一個字典參數來搜索包含特殊屬性的tag

data_soup.find_all(attrs={"data-foo": "value"})
 # [
foo!
]

3）text 參數

通過 text 參數可以搜搜文檔中的字符串內容.與 name 參數的可選值一樣, text 參數接受 字符串 , 正則表達式 , 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 參數

find_all() 方法返回全部的搜索結構,如果文檔樹很大那么搜索會很慢.如果我們不需要全部結果,可以使用 limit 參數限制返回結果的數量.效果與SQL中的limit關鍵字類似,當搜索到的結果數量達到 limit 的限制時,就停止搜索返回結果.

文檔樹中有3個tag符合搜索條件,但結果只返回了2個,因為我們限制了返回數量

soup.find_all("a", limit=2)
 # [Elsie,
 # ??Lacie]

5）recursive 參數

調用tag的 find_all() 方法時,Beautiful Soup會檢索當前tag的所有子孫節點,如果只想搜索tag的直接子節點,可以使用參數 recursive=False .

一段簡單的文檔:

...

是否使用 recursive 參數的搜索結果:

soup.html.find_all("title")
 # []

soup.html.find_all("title", recursive=False)
 # []

它與 find_all() 方法唯一的區別是 find_all() 方法的返回結果是值包含一個元素的列表,而 find() 方法直接返回結果

find_all() 和 find() 只搜索當前節點的所有子節點,孫子節點等. find_parents() 和 find_parent() 用來搜索當前節點的父輩節點,搜索方法與普通tag的搜索方法相同,搜索文檔搜索文檔包含的內容

這2個方法通過 .next_siblings 屬性對當 tag 的所有后面解析的兄弟 tag 節點進行迭代, find_next_siblings() 方法返回所有符合條件的后面的兄弟節點,find_next_sibling() 只返回符合條件的后面的第一個tag節點

這2個方法通過 .previous_siblings 屬性對當前 tag 的前面解析的兄弟 tag 節點進行迭代, find_previous_siblings() 方法返回所有符合條件的前面的兄弟節點, find_previous_sibling() 方法返回第一個符合條件的前面的兄弟節點

這2個方法通過 .next_elements 屬性對當前 tag 的之后的?tag 和字符串進行迭代, find_all_next() 方法返回所有符合條件的節點, find_next() 方法返回第一個符合條件的節點

這2個方法通過 .previous_elements 屬性對當前節點前面的 tag 和字符串進行迭代, find_all_previous() 方法返回所有符合條件的節點, find_previous()方法返回第一個符合條件的節點

注：以上（2）（3）（4）（5）（6）（7）方法參數用法與 find_all() 完全相同，原理均類似，在此不再贅述。

我們在寫 CSS 時，標簽名不加任何修飾，類名前加點，id名前加 # ，在這里我們也可以利用類似的方法來篩選元素，用到的方法是 soup.select()， 返回類型是 list

print soup.select("title")
 # []

print soup.select("a")
 # [, Lacie, Tillie]

print soup.select("b")
 # [The Dormouse"s story]

print soup.select(".sister")
 # [, Lacie, Tillie]

print soup.select(" # link1")
 # []

組合查找即和寫 class 文件時，標簽名與類名、id名進行的組合原理是一樣的，例如查找 p 標簽中，id 等于 link1的內容，二者需要用空格分開

print soup.select("p # link1")
 # []

直接子標簽查找

print soup.select("head > title")
 # []

查找時還可以加入屬性元素，屬性需要用中括號括起來，注意屬性和標簽屬于同一節點，所以中間不能加空格，否則會無法匹配到。

print soup.select("a[class="sister"]")
 # [, Lacie, Tillie]

print soup.select("a[href="http://example.com/elsie"]")
 # []

同樣，屬性仍然可以與上述查找方式組合，不在同一節點的空格隔開，同一節點的不加空格

print soup.select("p a[href="http://example.com/elsie"]")
 # []

以上的 select 方法返回的結果都是列表形式，可以遍歷形式輸出，然后用 get_text()?方法來獲取它的內容。

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()