Beautiful Soup(简称BS4)是一种强大而灵活的html和XML解析库,广泛用于Python/ target=_blank class=infotextkey>Python爬虫和数据采集中。
这篇文章介绍 Beautiful Soup的功能和用法,并提供示例代码,帮助你更好地理解和应用这个优秀的库。
Beautiful Soup是一个Python库,用于解析HTML和XML文档,并提供了简单而直观的方式来遍历文档树、搜索特定标签和提取数据。它的名字取自路易斯·卡洛斯·蒙特斯·库比斯(Luis Carlos Monteiro Cabral de Melo)的诗歌《Alice》中的一句话:“Beautiful Soup so rich and green, WAIting in a hot tureen!”,寓意着它用来“捞取”美味的数据。
使用pip来安装Beautiful Soup库:
pip install beautifulsoup4
同时,为了能够解析HTML和XML文档,还需要安装一个解析器,如lxml或html5lib:
pip install lxml
# 或
pip install html5lib
导入Beautiful Soup库:
from bs4 import BeautifulSoup
Beautiful Soup可以解析HTML或XML文档,并将其转换成文档树的形式,以便于遍历和操作。
示例代码:
from bs4 import BeautifulSoup
# HTML文档示例
html_doc = """
<html>
<head>
<title>我的第一个网页</title>
</head>
<body>
<h1>欢迎来到我的网页</h1>
<p>这是一个段落。</p>
</body>
</html>
"""
# 创建Beautiful Soup对象
soup = BeautifulSoup(html_doc, 'html.parser')
在这个示例中,创建了一个Beautiful Soup对象,并使用html.parser解析器解析了HTML文档。
一旦有了Beautiful Soup对象,就可以遍历文档树,查找特定的标签和数据。
以下是一些基本的遍历方法:
使用find()方法来查找特定的标签:
# 查找第一个<h1>标签
h1_tag = soup.find('h1')
# 打印标签文本
print(h1_tag.text)
使用children属性来遍历一个标签的子节点:
# 遍历<body>标签的子节点
body_tag = soup.find('body')
for child in body_tag.children:
print(child)
使用find_all()方法来查找所有特定类型的标签:
# 查找所有<p>标签
p_tags = soup.find_all('p')
# 遍历所有<p>标签
for p_tag in p_tags:
print(p_tag.text)
找到目标标签,就可以提取其中的数据。
以下是一些提取数据的示例:
使用.text属性获取标签的文本内容:
# 获取<h1>标签的文本内容
h1_text = h1_tag.text
print(h1_text)
如果标签有属性,可以使用字典的方式获取:
# 获取<head>标签的lang属性值
head_tag = soup.find('head')
lang_value = head_tag['lang']
print(lang_value)
如果要提取链接,可以使用.get()方法:
# 获取<a>标签的链接
a_tag = soup.find('a')
link = a_tag.get('href')
print(link)
Beautiful Soup支持使用CSS选择器来查找标签,这使得查找更灵活和方便:
# 使用CSS选择器查找所有<p>标签
p_tags = soup.select('p')
在查找方法中嵌套使用,以查找更深层次的标签:
# 查找<body>标签下的所有<p>标签
p_tags = soup.find('body').find_all('p')
Beautiful Soup可以处理不规范的HTML文档,自动修复标签嵌套和缺失的情况:
# 处理不规范的HTML文档
dirty_html = "<p>这是一个段落</p>"
soup = BeautifulSoup(dirty_html, 'html.parser')
print(soup.prettify())
以下是一个完整的示例,演示了如何使用Beautiful Soup解析HTML文档、遍历文档树、查找标签和提取数据:
from bs4 import BeautifulSoup
# HTML文档示例
html_doc = """
<html>
<head>
<title>我的第一个网页</title>
</head>
<body>
<h1>欢迎来到我的网页</h1>
<p>这是一个段落。</p>
</body>
</html>
"""
# 创建Beautiful Soup对象
soup = BeautifulSoup(html_doc, 'html.parser')
# 查找<h1>标签
h1_tag = soup.find('h1')
# 获取<h1>标签的文本内容
h1_text = h1_tag.text
# 查找所有<p>标签
p_tags = soup.find_all('p')
# 提取第一个<p>标签的文本内容
p_text = p_tags[0].text
# 打印结果
print("标题:", h1_text)
print("段落:", p_text)
这个示例演示了如何解析HTML文档、查找标签和提取数据,以及如何处理不规范的HTML文档。
Beautiful Soup是一个强大的HTML和XML解析库,为Python爬虫和数据采集提供了强大的工具。