使用BeautifulSoup进行数据解析

Beautiful soup思维导图：点击这里

啥是Beautiful soup，美丽的汤？？

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。

但是lxml只是局部遍历，而Beautiful Soup是基于HTML DOM（文档对象模型）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CSS选择器，Python的标准库中的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。

安装和文档

安装：pip install bs4
文档：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html

几大解析工具对比

工具	解析速度	使用难度
lxml	快	容易
beautiful soup	慢	最容易
正则表达式	最快	最难

四个常用对象

beautiful soup将复杂的HTML文档转换成一个树形结构，每个节点都是python对象，所有的对象可以归纳为以下四种：

BeautifulSoup
Tag
NavigableStringl
Comment

BeautifulSoup

创建一个beautiful对象：soup = BeautifulSoup(html, 'lxm')

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，在我们使用BeautifulSoup的时候，选择怎样的解析器是至关重要的，使用不同的解析器有可能会出现不同的结果，下表列出了主要的解析器，以及他们的优缺点。

BeautifulSoup 这个类的父类是 Tag,因此 Tag 里面能用的方法 BeautifulSoup 类都能用。

这里有一个神操作，有些网站的设计者写的 html 代码不规范，当爬取表格(table) 的内容时，发现用 xpath helper 获取正常，但是使用的python 程序却解析不到，出现这种原因是因为浏览器会对html文本进行一定的规范化，我们要选择html5lib解析器，它会对代码进行优化，如果要将优化后的代码在其他爬虫包使用，可以使用以下函数。

from bs4 import BeautifulSoup
def prettify_html(html_text) :
    soup = BeautifulSoup(html_text, 'html5lib')
    return soup.prettify()

Tag

顾名思义，就是html中的一个个标签，Tag有两个属性：name和attributes：

from bs4 import BeautifulSoup
soup = BeautifulSoup('<b class="boldest">Extremely bold</b>', 'lxml')
tag = soup.b
print(tag.name)   #每个tag都有自己的名字，通过.name来获取
print(tag['class']) #tag <b class = "boldest">有一个“class”的属性，值为“boldest”
print(tag.attrs)    #也可以直接点取属性，如：.attrs

NavigableString

如果我们拿到标签后，还想获取标签中的内容，那么可以通过tag.string获取标签中的文字，示例代码：

from bs4 import BeautifulSoup
soup = BeautifulSoup('<b class="boldest">Extremely bold</b>', 'lxml')
tag = soup.b
print(tag.string)
print(type(tag.string))

Comment

可以获取标签内的注释部分（比较鸡肋），示例程序：

from bs4 import BeautifulSoup
markup = "<b><!--hello world--></b>"
soup = BeautifulSoup(markup, 'lxml')
comment = soup.b.string
print(comment)
print(type(comment))

文档搜索树

find和find_all

搜索文档树，一般用得比较多的就是两个方法，一个是 find，一个是 find_all。find 方法是找到第一个满足条件的标签后就立即返回，只返回一个元素。find_all 方法是把所有满足条件的标签都选到，然后返回回去。

注意：

soup_find_all 返回的是一个类似于列表的的东西，因此我们可以通过取下标的方式得到里面的元素，里面每个元素都是 Tag
find_all 里面有一个参数，叫做 Limits，这样只会找到前几个元素
find 是只找一个符合要求的元素

假设我们有如下源码和如下需求：

<table class="tablelist" cellpadding="0" cellspacing="0">
    <tbody>
        <tr class="h">
            <td class="l" width="374">职位名称</td>
            <td>职位类别</td>
            <td>人数</td>
            <td>地点</td>
            <td>发布时间</td>
        </tr>
        <tr class="even">
            <td class="l square"><a target="_blank" href="position_detail.php?id=33824&keywords=python&tid=87&lid=2218">22989-金融云区块链高级研发工程师（深圳）</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-25</td>
        </tr>
        <tr class="odd">
            <td class="l square"><a target="_blank" href="position_detail.php?id=29938&keywords=python&tid=87&lid=2218">22989-金融云高级后台开发</a></td>
            <td>技术类</td>
            <td>2</td>
            <td>深圳</td>
            <td>2017-11-25</td>
        </tr>
        <tr class="even">
            <td class="l square"><a target="_blank" href="position_detail.php?id=31236&keywords=python&tid=87&lid=2218">SNG16-腾讯音乐运营开发工程师（深圳）</a></td>
            <td>技术类</td>
            <td>2</td>
            <td>深圳</td>
            <td>2017-11-25</td>
        </tr>
        <tr class="odd">
            <td class="l square"><a target="_blank" href="position_detail.php?id=31235&keywords=python&tid=87&lid=2218">SNG16-腾讯音乐业务运维工程师（深圳）</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-25</td>
        </tr>
        <tr class="even">
            <td class="l square"><a target="_blank" href="position_detail.php?id=34531&keywords=python&tid=87&lid=2218">TEG03-高级研发工程师（深圳）</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
        <tr class="odd">
            <td class="l square"><a target="_blank" href="position_detail.php?id=34532&keywords=python&tid=87&lid=2218">TEG03-高级图像算法研发工程师（深圳）</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
        <tr class="even">
            <td class="l square"><a target="_blank" href="position_detail.php?id=31648&keywords=python&tid=87&lid=2218">TEG11-高级AI开发工程师（深圳）</a></td>
            <td>技术类</td>
            <td>4</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
        <tr class="odd">
            <td class="l square"><a target="_blank" href="position_detail.php?id=32218&keywords=python&tid=87&lid=2218">15851-后台开发工程师</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
        <tr class="even">
            <td class="l square"><a target="_blank" href="position_detail.php?id=32217&keywords=python&tid=87&lid=2218">15851-后台开发工程师</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
        <tr class="odd">
            <td class="l square"><a id="test" class="test" target='_blank' href="position_detail.php?id=34511&keywords=python&tid=87&lid=2218">SNG11-高级业务运维工程师（深圳）</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
    </tbody>
</table>

获取所有tr标签
获取第2个tr标签
获取所有class等于even的tr标签
将所有id等于test，class也等于test的a标签提取出来
获取所有a标签的href属性
获取所有的职位信息（纯文本）

由于bs4不支持本地读取html，所以每次都要放html有点麻烦，这里为了简单起见，我只任务一放了html，后面的读者自行加上即可

#获取所有tr标签
from bs4 import BeautifulSoup
html = """
<table class="tablelist" cellpadding="0" cellspacing="0">
    <tbody>
        <tr class="h">
            <td class="l" width="374">职位名称</td>
            <td>职位类别</td>
            <td>人数</td>
            <td>地点</td>
            <td>发布时间</td>
        </tr>
        <tr class="even">
            <td class="l square"><a target="_blank" href="position_detail.php?id=33824&keywords=python&tid=87&lid=2218">22989-金融云区块链高级研发工程师（深圳）</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-25</td>
        </tr>
        <tr class="odd">
            <td class="l square"><a target="_blank" href="position_detail.php?id=29938&keywords=python&tid=87&lid=2218">22989-金融云高级后台开发</a></td>
            <td>技术类</td>
            <td>2</td>
            <td>深圳</td>
            <td>2017-11-25</td>
        </tr>
        <tr class="even">
            <td class="l square"><a target="_blank" href="position_detail.php?id=31236&keywords=python&tid=87&lid=2218">SNG16-腾讯音乐运营开发工程师（深圳）</a></td>
            <td>技术类</td>
            <td>2</td>
            <td>深圳</td>
            <td>2017-11-25</td>
        </tr>
        <tr class="odd">
            <td class="l square"><a target="_blank" href="position_detail.php?id=31235&keywords=python&tid=87&lid=2218">SNG16-腾讯音乐业务运维工程师（深圳）</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-25</td>
        </tr>
        <tr class="even">
            <td class="l square"><a target="_blank" href="position_detail.php?id=34531&keywords=python&tid=87&lid=2218">TEG03-高级研发工程师（深圳）</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
        <tr class="odd">
            <td class="l square"><a target="_blank" href="position_detail.php?id=34532&keywords=python&tid=87&lid=2218">TEG03-高级图像算法研发工程师（深圳）</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
        <tr class="even">
            <td class="l square"><a target="_blank" href="position_detail.php?id=31648&keywords=python&tid=87&lid=2218">TEG11-高级AI开发工程师（深圳）</a></td>
            <td>技术类</td>
            <td>4</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
        <tr class="odd">
            <td class="l square"><a target="_blank" href="position_detail.php?id=32218&keywords=python&tid=87&lid=2218">15851-后台开发工程师</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
        <tr class="even">
            <td class="l square"><a target="_blank" href="position_detail.php?id=32217&keywords=python&tid=87&lid=2218">15851-后台开发工程师</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
        <tr class="odd">
            <td class="l square"><a class = 'test' id = 'test' target="_blank" href="position_detail.php?id=34511&keywords=python&tid=87&lid=2218">SNG11-高级业务运维工程师（深圳）</a></td>
            <td>技术类</td>
            <td>1</td>
            <td>深圳</td>
            <td>2017-11-24</td>
        </tr>
    </tbody>
</table>
"""
soup = BeautifulSoup(html, 'lxml')
trs = soup.find_all("tr")
for tr in trs:
    print(tr)

#获取第2个tr标签
soup = BeautifulSoup(html, 'lxml')
tr = soup.find_all("tr", limit = 2)[1]  #使用limit可以限制最多取两个，下标这里是从零开始
print(tr)

# 获取所有class等于even的tr标签
#写法一：
soup = BeautifulSoup(html, 'lxml')
trs = soup.find_all("tr", class_ = "even") #注意这里，由于class是python中的关键字，所以在这里选择的时候，后面要加一条下划线
for tr in trs:
    print(tr)
#写法二：
soup = BeautifulSoup(html, 'lxml')
trs = soup.find_all("tr", attrs = {'class':"even"})
for tr in trs:
    print(tr)

#将所有id等于test，class也等于test的a标签提取出来
#写法一：
soup = BeautifulSoup(html, 'lxml')
aList = soup.find_all("a", id = 'test', class_ = 'test')
for a in aList:
    print(a)
写法二：
soup = BeautifulSoup(html, 'lxml')
aList = soup.find_all("a", attrs = {"id" : "test", "class" : "test"})
for a in aList:
    print(a)

#获取所有a标签的href属性
#写法一，直接用中括号选择属性
soup = BeautifulSoup(html, 'lxml')
aList = soup.find_all("a")
for a in aList:
    print(a['href'])
#写法二，用attrs方法
soup = BeautifulSoup(html, 'lxml')
aList = soup.find_all("a")
for a in aList:
    print(a.attrs['href'])

#获取所有的职位信息（纯文本）
#方法一：麻烦
soup = BeautifulSoup(html, 'lxml')
trs = soup.find_all('tr')[1:] # 切片去表头
positions = []
for tr in trs:
    td = tr.find_all('td')
    position = {}
    position['职位名称'] = td[0].string # 直接string可以得到内容
    position['类别'] = td[1].string
    position['人数'] = td[2].string
    position['地点'] = td[3].string
    position['发布时间'] = td[4].string
    positions.append(position)

for position in positions:
    print(position)

#获取所有的职位信息（纯文本）
#方法二：有换行符
soup = BeautifulSoup(html, 'lxml')
infos = {}
trs = soup.find_all("tr")
for tr in trs:
    infos = list (tr.strings) #直接拿文字，strings返回一个生成器，可以转换成列表
，strings后面有介绍
    print(infos)

但是有问题，因为有很多换行符也给我们保存下来了，这个时候不要慌，要相信python，没错，python已经考虑到了这个问题，于是stripped_strings来了

#获取所有的职位信息（纯文本）
#方法三：清爽
soup = BeautifulSoup(html, 'lxml')
info = {}
infos = []
trs = soup.find_all("tr")
for tr in trs:
    position = list(tr.stripped_strings)  #因为得到的是一个生成器，所以也需要转换成列表
    info['title'] = position[0]
    info['kind'] = position[1]
    info['nums'] = position[2]
    info['place'] = position[3]
    info['pubtime'] = position[4]
    infos.append(info)
print(infos)

总结：

find_all的使用：
- 在提取标签的时候，第一个参数是标签的名字。然后如果在提取标签的时候想要使用标签属性进行过滤，那么可以在这个方法中通过关键字参数的形式，将属性的名字以及对应的值传进去。或者是使用attrs属性，将所有的属性以及对应的值放在一个字典中传给attrs属性
- 有些时候，在提取标签的时候，不想提取那么多，那么可以使用limit参数。限制提取多少个。
find与find_all的区别
- find：找到第一个满足条件的标签就返回。就是只会返回一个元素。
- find_all:将所有满足条件的标签都返回。会返回很多标签（以列表的形式）。
使用find和find_all的过滤条件：
- 关键字参数：将属性的名字作为关键字参数的名字，以及属性的值作为关键字参数的值进行过滤。
- attrs参数：将属性条件放到一个字典中，传给attrs参数。
string和strings、stripped_strings属性以及get_text方法：
- string：获取某个标签下的非标签字符串。返回来的是个字符串。如果这个标签下有多行字符，那么就不能获取到了
- strings：获取某个标签下的子孙非标签字符串。返回来的是个生成器，可转成列表
- stripped_strings：获取某个标签下的子孙非标签字符串，会去掉空白字符。返回来的是个生成器，可转成列表
- get_text：获取某个标签下的子孙非标签字符串。不是以列表的形式返回，是以普通字符串返回

CSS选择器

使用以上方法可以方便的发现元素。但有时使用css选择器的方式可以更加的方便。使用css选择器的语法，应该使用select方法。以下列出几种常用的css选择器方法

通过标签名来查找
- print(soup.select('a')) #找到所有的a标签，并以列表的形式返回
通过类名来查找：通过类名，则在类的前面加一个点，比如要查找class=sister的标签，示例代码：
- print(soup.select('.sister'))
通过id查找：通过id查找，则应该在id的名字前面加上一个#号：
- print(soup.select("#link1"))
组合查找：例如查找p标签中，id等于link1的内容，同时需要用空格分开：
- 子孙：print(soup.select("p link1"))
- 直接子标签：print(soup.select("p > #link"))
通过属性查找：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。示例代码如下：
- print(soup.select('a[href = 'xxxxxxxx']'))
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。示例代码如下：

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()

遍历文档树

返回某个标签下的直接子元素，其中也包括字符串。他们两的区别是：contents返回来的是一个列表，children返回的是一个迭代器

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<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,'lxml')
head_tag = soup.head
# 返回所有子节点的列表
print(head_tag.contents)
# 返回所有子节点的迭代器
for child in head_tag.children:
    print(child)

其实我感觉遍历的原理没必要了解，毕竟python，会用就行，其他的就留给数据结构吧。