Python利用Beautiful Soup模块搜索内容详解

首页 > python
发布时间: 2023-06-29 15:37:57　发布作者: 丽君

各位用户为了找寻关于Python利用Beautiful Soup模块搜索内容详解的资料费劲了很多周折。这里教程网为您整理了关于Python利用Beautiful Soup模块搜索内容详解的相关资料，仅供查阅，以下为您介绍关于Python利用Beautiful Soup模块搜索内容详解的详细内容

前言

我们将利用 Beautiful Soup 模块的搜索功能，根据标签名称、标签属性、文档文本和正则表达式来搜索。

搜索方法

Beautiful Soup 内建的搜索方法如下：

find() find_all() find_parent() find_parents() find_next_sibling() find_next_siblings() find_previous_sibling() find_previous_siblings() find_previous() find_all_previous() find_next() find_all_next()

使用 find() 方法搜索

首先还是需要建立一个 HTML 文件用来做测试。

? 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 <html> <body> <div class="ecopyramid"> <ul id="producers"> <li class="producerlist"> <div class="name">plants</div> <div class="number">100000</div> </li> <li class="producerlist"> <div class="name">algae</div> <div class="number">100000</div> </li> </ul> <ul id="primaryconsumers"> <li class="primaryconsumerlist"> <div class="name">deer</div> <div class="number">1000</div> </li> <li class="primaryconsumerlist"> <div class="name">rabbit</div> <div class="number">2000</div> </li> </ul> <ul id="secondaryconsumers"> <li class="secondaryconsumerlist"> <div class="name">fox</div> <div class="number">100</div> </li> <li class="secondaryconsumerlist"> <div class="name">bear</div> <div class="number">100</div> </li> </ul> <ul id="tertiaryconsumers"> <li class="tertiaryconsumerlist"> <div class="name">lion</div> <div class="number">80</div> </li> <li class="tertiaryconsumerlist"> <div class="name">tiger</div> <div class="number">50</div> </li> </ul> </div> </body> </html>

我们可以通过 find() 方法来获得 <ul> 标签，默认情况下会得到第一个出现的。接着再获取 <li> 标签，默认情况下还是会得到第一个出现的，接着获得 <div> 标签，通过输出内容来验证是否获取了第一个出现的标签。

? 1 2 3 4 5 from bs4 import BeautifulSoup with open('search.html','r') as filename: soup = BeautifulSoup(filename,'lxml') first_ul_entries = soup.find('ul') print first_ul_entries.li.div.string

find() 方法具体如下：

? 1 find(name,attrs,recursive,text,**kwargs)

正如上代码所示，find() 方法接受五个参数：name、attrs、recursive、text 和 **kwargs 。name 、attrs 和 text 参数都可以在 find() 方法充当过滤器，提高匹配结果的精确度。

搜索标签

除了上面代码的搜索 <ul> 标签外，我们还可以搜索 <li> 标签，返回结果也是返回出现的第一个匹配内容。

? 1 2 3 4 tag_li = soup.find('li') # tag_li = soup.find(name = "li") print type(tag_li) print tag_li.div.string

搜索文本

如果我们只想根据文本内容来搜索的话，我们可以只传入文本参数：

? 1 2 3 search_for_text = soup.find(text='plants') print type(search_for_text) <class 'bs4.element.NavigableString'>

返回的结果也是 NavigableString 对象。

根据正则表达式搜索

如下的一段 HTML 文本内容

? 1 2 3 4 <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>

可以看到 abc@example 邮件地址并没有包括在任何标签内，这样就不能根据标签来找到邮件地址了。这个时候，我们可以使用正则表达式来进行匹配。

? 1 2 3 4 5 6 7 8 9 10 11 12 email_id_example = """ <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> """ email_soup = BeautifulSoup(email_id_example,'lxml') print email_soup # pattern = "w+@w+.w+" emailid_regexp = re.compile("w+@w+.w+") first_email_id = email_soup.find(text=emailid_regexp) print first_email_id

在使用正则表达式进行匹配时，如果有多个匹配项，也是先返回第一个。

根据标签属性值搜索

可以通过标签的属性值来搜索：

? 1 2 search_for_attribute = soup.find(id='primaryconsumers') print search_for_attribute.li.div.string

根据标签属性值来搜索对大多数属性都是可用的，例如：id、style 和 title 。

但是对以下两种情况会有不同：

自定义属性类 ( class ) 属性

我们不能再直接使用属性值来搜索了，而是得使用 attrs 参数来传递给 find() 函数。

根据自定义属性来搜索

在 HTML5 中是可以给标签添加自定义属性的，例如给标签添加属性。

如下代码所示，如果我们再像搜索 id 那样进行操作的话，会报错的，Python 的变量不能包括 - 符号。

? 1 2 3 4 5 6 customattr = """ <p data-custom="custom">custom attribute example</p> """ customsoup = BeautifulSoup(customattr,'lxml') customsoup.find(data-custom="custom") # SyntaxError: keyword can't be an expression

这个时候使用 attrs 属性值来传递一个字典类型作为参数进行搜索：

? 1 2 using_attrs = customsoup.find(attrs={'data-custom':'custom'}) print using_attrs

基于 CSS 中的类进行搜索

对于 CSS 的类属性，由于在 Python 中 class 是个关键字，所以是不能当做标签属性参数传递的，这种情况下，就和自定义属性一样进行搜索。也是使用 attrs 属性，传递一个字典进行匹配。

除了使用 attrs 属性之外，还可以使用 class_ 属性进行传递，这样与 class 区别开了，也不会导致错误。

? 1 2 3 4 css_class = soup.find(attrs={'class':'producerlist'}) css_class2 = soup.find(class_ = "producerlist") print css_class print css_class2

使用自定义的函数搜索

可以给 find() 方法传递一个函数，这样就会根据函数定义的条件进行搜索。

函数应该返回 true 或者是 false 值。

? 1 2 3 4 def is_producers(tag): return tag.has_attr('id') and tag.get('id') == 'producers' tag_producers = soup.find(is_producers) print tag_producers.li.div.string

代码中定义了一个 is_producers 函数，它将检查标签是否具体 id 属性以及属性值是否等于 producers，如果符合条件则返回 true ，否则返回 false 。

联合使用各种搜索方法

Beautiful Soup 提供了各种搜索方法，同样，我们也可以联合使用这些方法来进行匹配，提高搜索的准确度。

? 1 2 3 4 5 6 7 8 9 10 11 combine_html = """ <p class="identical"> Example of p tag with class identical </p> <div class="identical"> Example of div tag with class identical <div> """ combine_soup = BeautifulSoup(combine_html,'lxml') identical_div = combine_soup.find("div",class_="identical") print identical_div

使用 find_all() 方法搜索

使用 find() 方法会从搜索结果中返回第一个匹配的内容，而 find_all() 方法则会返回所有匹配的项。

在 find() 方法中用到的过滤项，同样可以用在 find_all() 方法中。事实上，它们可以用到任何搜索方法中，例如：find_parents() 和 find_siblings() 中。

? 1 2 3 4 5 # 搜索所有 class 属性等于 tertiaryconsumerlist 的标签。 all_tertiaryconsumers = soup.find_all(class_='tertiaryconsumerlist') print type(all_tertiaryconsumers) for tertiaryconsumers in all_tertiaryconsumers: print tertiaryconsumers.div.string

find_all() 方法为：

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

它的参数和 find() 方法有些类似，多个了 limit 参数。limit 参数是用来限制结果数量的。而 find() 方法的 limit 就是 1 了。

同时，我们也能传递一个字符串列表的参数来搜索标签、标签属性值、自定义属性值和 CSS 类。

? 1 2 3 4 5 6 7 8 # 搜索所有的 div 和 li 标签 div_li_tags = soup.find_all(["div","li"]) print div_li_tags print # 搜索所有类属性是 producerlist 和 primaryconsumerlist 的标签 all_css_class = soup.find_all(class_=["producerlist","primaryconsumerlist"]) print all_css_class print

搜索相关标签

一般情况下，我们可以使用 find() 和 find_all() 方法来搜索指定的标签，同时也能搜索其他与这些标签相关的感兴趣的标签。

搜索父标签

可以使用 find_parent() 或者 find_parents() 方法来搜索标签的父标签。

find_parent() 方法将返回第一个匹配的内容，而 find_parents() 将返回所有匹配的内容，这一点与 find() 和 find_all() 方法类似。

? 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 # 搜索父标签 primaryconsumers = soup.find_all(class_='primaryconsumerlist') print len(primaryconsumers) # 取父标签的第一个 primaryconsumer = primaryconsumers[0] # 搜索所有 ul 的父标签 parent_ul = primaryconsumer.find_parents('ul') print len(parent_ul) # 结果将包含父标签的所有内容 print parent_ul print # 搜索,取第一个出现的父标签.有两种操作 immediateprimary_consumer_parent = primaryconsumer.find_parent() # immediateprimary_consumer_parent = primaryconsumer.find_parent('ul') print immediateprimary_consumer_parent

搜索同级标签

Beautiful Soup 还提供了搜索同级标签的功能。

使用函数 find_next_siblings() 函数能够搜索同一级的下一个所有标签，而 find_next_sibling() 函数能够搜索同一级的下一个标签。