本文共 8295 字，大约阅读时间需要 27 分钟。

目录

---

CSS 选择器：BeautifulSoup4

和 lxml 一样，Beautiful Soup 也是一个HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 数据。

lxml 只会局部遍历，而Beautiful Soup 是基于HTML DOM的，会载入整个文档，解析整个DOM树，因此时间和内存开销都会大很多，所以性能要低于lxml。

BeautifulSoup 用来解析 HTML 比较简单，API非常人性化，支持、Python标准库中的HTML解析器，也支持 lxml 的 XML解析器。

Beautiful Soup 3 目前已经停止开发，推荐现在的项目使用Beautiful Soup 4。使用 pip 安装即可：pip install beautifulsoup4

官方文档：

抓取工具	速度	使用难度	安装难度
正则	最快	困难	无（内置）
BeautifulSoup	慢	最简单	简单
lxml	快	简单	一般

---

示例：

首先必须要导入 bs4 库

# beautifulsoup4_test.pyfrom bs4 import BeautifulSouphtml = """
The Dormouse's story
Once upon a time there were three little sisters; and their names were
     ,Lacie andTillie;and they lived at the bottom of a well.
...
"""#创建 Beautiful Soup 对象soup = BeautifulSoup(html)#打开本地 HTML 文件的方式来创建对象#soup = BeautifulSoup(open('index.html'))#格式化输出 soup 对象的内容print soup.prettify()

运行结果：

       
       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.  
  
   ...  
 

• 如果我们在 IPython2 下执行，会看到这样一段警告： 

• 意思是，如果我们没有显式地指定解析器，所以默认使用这个系统的最佳可用HTML解析器(“lxml”)。如果你在另一个系统中运行这段代码，或者在不同的虚拟环境中，使用不同的解析器造成行为不同。

• 但是我们可以通过soup = BeautifulSoup(html,“lxml”)方式指定lxml解析器。

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

1. Tag

Tag 通俗点讲就是 HTML 中的一个个标签，例如：

    
The Dormouse's story

上面的 title head a p等等 HTML 标签加上里面包括的内容就是 Tag，那么试着使用 Beautiful Soup 来获取 Tags:

from bs4 import BeautifulSouphtml = """
The Dormouse's story
Once upon a time there were three little sisters; and their names were
     ,Lacie andTillie;and they lived at the bottom of a well.
...
"""#创建 Beautiful Soup 对象soup = BeautifulSoup(html)print soup.title# print soup.head# print soup.a# 
    print soup.p# 
The Dormouse's story
print type(soup.p)# 
   

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。如果要查询所有的标签，后面会进行介绍。

对于 Tag，它有两个重要的属性，是 name 和 attrs

print soup.name# [document] #soup 对象本身比较特殊，它的 name 即为 [document]print soup.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 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。print soup.p['class'] # soup.p.get('class')# ['title'] #还可以利用get方法，传入属性的名称，二者是等价的soup.p['class'] = "newClass"print soup.p # 可以对这些属性和内容等等进行修改# 
The Dormouse's story
del soup.p['class'] # 还可以对这个属性进行删除print soup.p# 
The Dormouse's story

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 storyprint type(soup.p.string)# In [13]: 
   

3. BeautifulSoup

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，以及属性来感受一下

print type(soup.name)# 
   
    print soup.name # [document]print soup.attrs # 文档本身的属性为空# {}
   

4. Comment

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

a 标签里的内容实际上是注释，但是如果我们利用 .string 来输出它的内容时，注释符号已经去掉了。

遍历文档树

1. 直接子节点 ：.contents .children 属性

.content

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 #[]

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]#

.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#
   
    for child in  soup.body.children:    print child
   

结果:

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

2. 所有子孙节点: .descendants 属性

.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：

The Dormouse's story
Once upon a time there were three little sisters; and their names were
     ,Lacie andTillie;and they lived at the bottom of a well.
...
The Dormouse's story
The Dormouse's story
Once upon a time there were three little sisters; and their names were
     ,Lacie andTillie;and they lived at the bottom of a well.
...
The Dormouse's story
The Dormouse's storyThe Dormouse's story
Once upon a time there were three little sisters; and their names were
     ,Lacie andTillie;and they lived at the bottom of a well.
Once upon a time there were three little sisters; and their names were
     Elsie ,LacieLacie andTillieTillie;and they lived at the bottom of a well.
...
...

3. 节点内容: .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 storyprint soup.title.string#The Dormouse's story

搜索文档树

1.find_all(name, attrs, recursive, text, **kwargs)

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<b>标签:

soup.find_all('b')# [The Dormouse's story]print soup.find_all('a')#[
    , Lacie, Tillie]

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<body>和<b>标签都应该被找到

import refor 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<a>标签和<b>标签:

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

2）keyword 参数

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

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

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"]

2. CSS选择器

这就是另一种与 find_all 方法有异曲同工之妙的查找方法.

• 写 CSS 时，标签名不加任何修饰，类名前加.，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') #[]print soup.select('a')#[
    , Lacie, Tillie]print soup.select('b')#[The Dormouse's story]

（2）通过类名查找

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

（3）通过 id 名查找

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

（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')#[
    ]

直接子标签查找，则使用 > 分隔

print soup.select("head > 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"]')#[
    , Lacie, Tillie]print soup.select('a[href="http://example.com/elsie"]')#[
    ]

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"]')#[
    ]

(6) 获取内容

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()

案例：使用BeautifuSoup4的爬虫

我们以腾讯社招页面来做演示：

使用BeautifuSoup4解析器，将招聘网页上的职位名称、职位类别、招聘人数、工作地点、发布时间，以及每个职位详情的点击链接存储出来。

# bs4_tencent.pyfrom bs4 import BeautifulSoupimport urllibimport json    # 使用了json格式存储def tencent():    url = 'http://hr.tencent.com/'    request = urllib.request.Request(url + 'position.php?&start=10#a')    response =urllib.request.urlopen(request)    resHtml = response.read()    output =open('tencent.json','w')    html = BeautifulSoup(resHtml,'lxml')# 创建CSS选择器    result = html.select('tr[class="even"]')    result2 = html.select('tr[class="odd"]')    result += result2    items = []    for site in result:        item = {}        name = site.select('td a')[0].get_text()        detailLink = site.select('td a')[0].attrs['href']        catalog = site.select('td')[1].get_text()        recruitNumber = site.select('td')[2].get_text()        workLocation = site.select('td')[3].get_text()        publishTime = site.select('td')[4].get_text()        item['name'] = name        item['detailLink'] = url + detailLink        item['catalog'] = catalog        item['recruitNumber'] = recruitNumber        item['publishTime'] = publishTime        items.append(item)    # 禁用ascii编码，按utf-8编码    line = json.dumps(items,ensure_ascii=False)    output.write(line.encode('utf-8'))    output.close()if __name__ == "__main__":   tencent()