Beautiful Soup 4.2.0 文档¶ BeautifulSoup对象内任何第一个标签入口，使用find()方法。

https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/ Beautiful Soup 4.2.0 文档¶
https://www.jianshu.com/p/ef1ffaacb2f3 BeautifulSoup解析
https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/ Beautiful Soup 4.4.0 文档 — Beautiful Soup 4.2.0 中文 文档
http://www.jsphp.net/python/show-24-214-1.html beautifulsoup菜鸟教程-BeautifulSoup4简介

python3 BS4 BeautifulSoup 解析的一些解析（迷惑点）

妖白 2017-11-08 15:38:14 4945 收藏 7
展开
1    BeautifulSoup

只要目标信息的旁边或者附近有标签就可以调用 ，，不用管是几层标签（父辈 后代辈 的都可以）。

Soup.html.body.h1

Soup.body.h1

Soup.html.h1

Soup.h1

索引的效果都是同一个内容。

但是应该把重要的标签包含进去，以免过于简单爬到不想要的内容。

2

<li>

 <div aria-label="5星, 747 份评分" class="rating" role="img"><div>

</li>

在这里的li 和 div都是标签用法可以soup.li   soup.div

而aria-label   class  role是属性 用法则区别于标签 ，引用用div.attrs

比如 list=soup.findAll(“div”,{“role”:”img”})

div是标签 而大括号里面的role和img是改标签下的类的属性

同样等价于 
list=soup.findAll(“div”,attrs= “role”:”img”})

3注意下find与findAll的用法

soup.div.findAll("img")   会找到第一个div标签中的全部img 并不是全部div标签的img

soup.div.find_next("div").findAll('img')说明是找到第二div标签中的所有img

4

bs4的数据类型

Tga标签

最基本的信息组织单元，分别用<>和</>标明开头和结尾

例如：

from bs4 import BeautifulSoup
import requests
r = requests.get("https://python123.io/ws/demo.html")
demo = r.text

soup=BeautifulSoup(demo,"html.parser")
print(soup.title)

print(soup.a)

输出为

<title>This is a python demo page</title>
<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a>

任何存在于HTML语法中的标签都可以用soup.<tag>访问获得
当HTML文档中存在多个相同<tag>对应内容时，soup.<tag>返回第一个

类型 <class 'bs4.element.Tag'>

Tag的name

name 标签的名字，<p>…</p>的名字是'p'，格式：<tag>.name

例子：

from bs4 import BeautifulSoup
import requests
r = requests.get("https://python123.io/ws/demo.html")
demo = r.text
soup=BeautifulSoup(demo,"html.parser")

print(soup.a.name)

print(soup.a..parent.name)

输出为 “a”

            “p”

每个<tag>都有自己的名字，通过<tag>.name获取

字符串类型<class 'str'>

Tag的attrs（属性）

Attributes：标签的属性，字典形式组织，格式：<tag>.attrs

例子：

from bs4 import BeautifulSoup
import requests
r = requests.get("https://python123.io/ws/demo.html")
demo = r.text
soup=BeautifulSoup(demo,"html.parser")

tag=soup.a

print(tag.attrs)

print(tag.attrs['class'])

输出为：

{'href': 'http://www.icourse163.org/course/BIT-268001', 'id': 'link1', 'class': ['py1']}
['py1']
一个<tag>可以有0或多个属性
字典类型<class 'list'>

Tag的NavigableString

NavigableString：标签内非属性字符串，<>…</>中字符串，格式：<tag>.string

from bs4 import BeautifulSoup
import requests
r = requests.get("https://python123.io/ws/demo.html")
demo = r.text
soup=BeautifulSoup(demo,"html.parser")

print(soup.a.string)

soup.a为

<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a>
输出为  Basic Python     NavigableString可以跨越多个层次

类型 ：<class 'bs4.element.NavigableString'>

Tag的Comment

Comment：标签内字符串的注释部分，一种特殊的Comment类型

类型为<class 'bs4.element.Comment'>

例子：

newsoup=BeautifulSoup("<b><!--This is a conment --></b><p>This is not a conment</p>","html.parser")
print(newsoup.b.string)

输出为

This is a conment
类型为 <class 'bs4.element.Comment'>
可见 并不是标签<b blalal   /b>

而是直接<b>  所以他不是一个标签类型 而是comment

总结：

这里我们要注意遍历html树的时候几个特殊的输出类型

注意到 soup.children返回的类型是一个迭代器 并不能用BeautifukSoup的方法进行检索了。
而且需要注意到的是soup.findAll(```)返回的也是一个set迭代 如果再利用BearutifulSoup方法索引
可能就会出现错误 比如a.attrs["td"]
正确的表达方式应该用列表或者迭代器的方法 a("td")
更加注意 soup.find 和findAll有很大的区别 find找的是标签 findAll找的是set
————————————————

1.一般来说，为了找到BeautifulSoup对象内任何第一个标签入口，使用find()方法。

以上代码是一个生态金字塔的简单展示，为了找到第一生产者，第一消费者或第二消费者，可以使用Beautiful Soup。

找到第一生产者：

生产者在第一个<url>标签里，因为生产者在整个html文档中第一个<url>标签中出现，所以可以使用find()方法找到第一生产者，在ecologicalpyramid.py

中写入下面一段代码，使用ecologicalpyramid.html文件创建BeautifulSoup对象。

from bs4 import BeautifulSoup
with open('ecologicalpyramid.html', 'r') as ecological_pyramid:　　　　# ecological 生态系统  pyramid 金字塔
　　soup = BeautifulSoup(ecological_pyramid)
producer_entries = soup.find('ul')
print(producer_entries.li.div.string)

输出结果：plants

2.find()

find函数：

find(name, attrs, recursive, text, **wargs)　　　　# recursive 递归的，循环的

这些参数相当于过滤器一样可以进行筛选处理。不同的参数过滤可以应用到以下情况：

• 查找标签，基于name参数
• 查找文本，基于text参数
• 基于正则表达式的查找
• 查找标签的属性，基于attrs参数
• 基于函数的查找

通过标签查找：

可以传递任何标签的名字来查找到它第一次出现的地方。找到后，find函数返回一个BeautifulSoup的标签对象。

from bs4 import BeautifulSoup

with open('ecologicalpyramid.html', 'r') as ecological_pyramid:
　　soup = BeautifulSoup(ecological_pyramid, 'html')
producer_entries = soup.find('ul')
print(type(producer_entries)) 

输出结果： <class 'bs4.element.Tag'>

通过文本查找：

直接字符串的话，查找的是标签。如果想要查找文本的话，则需要用到text参数。如下所示：

from bs4 import BeautifulSoup

with open('ecologicalpyramid.html', 'r') as ecological_pyramid:
　　soup = BeautifulSoup(ecological_pyramid, 'html')
producer_string = soup.find(text = 'plants')
print(plants_string)

输出：plants

通过正则表达式查找：

有以下html代码：

想找出第一个邮箱地址，但是第一个邮箱地址没有标签包含，所以通过其他方式很难找到。但是可以将邮箱地址进行正则表达式处理。

import re
from bs4 import BeautifulSoup

email_id_example = """<br/>
<div>The below HTML has the information that has email ids.</div> 
abc@example.com 
<div>xyz@example.com</div> 
<span>foo@example.com</span> 
"""

soup = BeautifulSoup(email_id_example)
emailid_regexp = re.compile("w+@w+.w+")　　　　# regexp 表达式对象
first_email_id = soup.find(text=emailid_regexp)　　
print(first_email_id)

输出结果：abc@example.com

通过标签属性进行查找：

上面html代码，其中第一个消费者在ul标签里面且id属性为priaryconsumer（priary consumer一次消费者，初级消费者）。

from bs4 import BeautifulSoup

with open('ecologicalpyramid.html', 'r') as ecological_pyramid:
    soup = BeautifulSoup(eccological_pyramid, 'html')
primary_consumer = soup.find(id='primaryconsumers')
print(primary_consumer.li.div.string)

输出结果：deer

基于定制属性查找：

通过标签属性查找的方式适用大多数标签属性，包括id，style，title，但有 “-”，Class标签属性例外。

比如html5标签中的data-custom属性，如果我们这样

customattr = """<p data-custom='custom'>custo attribute
example</p>
"""
customsoup = BeautifulSoup(customattr, 'lxml')
customSoup.find(data-custom="custom")

那么则会报错。原因是在python中变量不能含有"-"这个字符，而我们传递的data-custom有这个字符。

解决办法是在attrs属性用字典进行传递参数。

using_attrs = customsoup.find(attrs={'data-custom':'custom'})
print(using_attrs)

基于css类的查找：

class是python的保留关键字，所以无法使用class这个关键字。

第一种方法：在attrs属性用字典进行传递参数

css_class = soup.find(attrs={'class':'primaryconsumers'})
print(css_class) 

第二种方法：BeautifulSoup中的特别关键字参数class_。

css_class = soup.find(class_ = 'primaryconsumers') 

基于定义的函数进行查找：

可以传递函数到find()来基于函数定义的条件查找。函数必须返回True或False。

def is_secondary_consumers(tag):
return tag.has_attr('id') and tag.get('id') == 'secondaryconsumers'

secondary_consumer = soup.find(is_secondary_consumers)
print(secondary_consumer.li.div.string)

输出：fox

将方法进行组合后进行查找：

可以用其中任何方法进行组合进行查找，比如同时基于标签名和id号。

3.find_all查找

find()查找第一个匹配结果出现的地方，find_all()找到所有匹配结果出现的地方。

查找所有3级消费者：

all_tertiaryconsumers = soup.find_all(class_ = 'tertiaryconsumerslist')        # tertiary第三的

其中all_tertiaryconsumers的类型是列表。

所以对其列表进行迭代，循环输出三级消费者的名字。

for tertiaryconsumer in all_tertiaryconsumers:
print(tertiaryconsumer.div.string) 

输出结果：

lion

tiger

find_all()的参数：

find_all(name, attrs, recursive, text, limit, **kwargs)

limit参数可以限制得到的结果的数目。

参照前面的邮件地址例子，得到所有邮件地址：

email_ids = soup.find_all(text=emailid_regexp)
print(email_ids)

输出结果：[u'abc@example.com',u'xyz@example.com',u'foo@example.com']

使用limit参数：

email_ids_limited = soup.find_all(text=emailid_regexp, limit = 2)
print(email_ids_limited)

限制得到两个结果，所以输出结果：[u'abc@example.com',u'xyz@example.com']

可以向find函数传递True或False参数，如果传递True给find_all()，则返回soup对象的所有标签。对于find()来说，则返回soup对象的第一个标签。

all_texts = soup.find_all(text=True)
print(all_texts)

输出结果：

同样，可以在传递text参数时传递一个字符串列表，那么find_all()会找到挨个在列表中定义过的字符串。

all_texts_in_list = soup.find_all(text=['plants', 'algae'])
print(all_texts_in_list)

输出结果：

[u'plants', u'alage']

这个同样适用于查找标签，标签属性，定制属性和CSS类。如：

div_li_tags = soup.find_all(['div', 'li'])

并且find()和find_all()都会查找一个对象所有后辈们，不过可以通过recursive参数控制。(recursive回归，递归)

如果recursive=False，只会找到该对象的最近后代。

通过标签之间的关系进行查找

查找父标签

通过find_parents()或find_parent()。它们之间的不同类似于find()和find_all()的区别。

find_parents()返回全部的相匹配的父标签，而find_parent()返回最近一个父标签。适用于find()的方法同样适用于这两个方法。

在第一消费者例子中，可以找到离Primaryconsumer最近的ul父标签。

primaryconsumers = soup.find_all(class_ = 'primaryconsumerlist')
primaryconsumer = primaryconsumers[0]
parent_ul = primaryconsumer.find_parents('ul')
print(parent_ul)

一个简单的找到一个标签的父标签的方法是使用find_parent()却不带任何参数。

immediateprimary_consumer_parent = primary_consumer.find_parent()

查找同胞

标签在同一个等级，这些标签是同胞关系，比如参照上面金子塔例子，所有的ul标签就是同胞的关系。上面的ul标签下的producers，primaryconsumers，，

secondaryconsumers，teriaryconsumers就是同胞关系。

div下的plants和algae不是同胞关系，但是plants和临近的number是同胞关系。

Beautiful Soup自带查找同胞的方法。

比如find_next_siblings()和find_next_sibling()查找对象下面的同胞。(sibling兄弟姐妹)

producers = soup.find(id = 'producers')
next_siblings = producers.find_next_siblings()
print(next_siblings)

输出结果将会输出与之临近的下面的所有同胞html代码。

查找下一个

对每一个标签来说，下一个元素可能会是定位字符串，标签对象或者其他BeautifulSoup对象，我们定义下一个元素为当前元素最靠近的元素 。

这不用于同胞定义，我们有方法可以找到我们想要标签的下一个其他元素对象。find_all_next()找到与当前元素最靠近的所有对象。而find_next()找到离当前元素最接近的对象。

比如，找到在第一个div标签后的所有li标签

first_div = soup.div
all_li_tags = first_div.find_all_next('li')

 

查找上一个

与查找下一个相反的是查找前一个，用find_previous()和find_all_previous()。