Beautiful Soup简介

Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.

BeautifulSoup

BeautifulSoup 对象表示的是一个文档的全部内容.大部分时候,可以把它当作 Tag 对象,它支持 遍历文档树 和 搜索文档树 中描述的大部分的方法.

因为 BeautifulSoup 对象并不是真正的HTML或XML的tag,所以它没有name和attribute属性.但有时查看它的 .name 属性是很方便的,所以 BeautifulSoup 对象包含了一个值为 “[document]” 的特殊属性 .name

文档解析错误

文档解析错误有两种.一种是崩溃,Beautiful Soup尝试解析一段文档结果却抛除了异常,通常是 HTMLParser.HTMLParseError .还有一种异常情况,是Beautiful Soup解析后的文档树看起来与原来的内容相差很多.

这些错误几乎都不是Beautiful Soup的原因,这不会是因为Beautiful Soup得代码写的太优秀,而是因为Beautiful Soup没有包含任何文档解析代码.异常产生自被依赖的解析器,如果解析器不能很好的解析出当前的文档,那么最好的办法是换一个解析器.

最常见的解析错误是 HTMLParser.HTMLParseError: malformed start tag 和 HTMLParser.HTMLParseError: bad end tag .这都是由Python内置的解析器引起的,解决方法是 安装lxml或html5lib

最常见的异常现象是当前文档找不到指定的Tag,而这个Tag光是用眼睛就足够发现的了. find_all() 方法返回 [] ,而 find() 方法返回 None .这是Python内置解析器的又一个问题: 解析器会跳过那些它不知道的tag.解决方法还是 安装lxml或html5lib

示例代码

# -*- coding:UTF-8 -*-
#!/usr/bin/python3
import requests
from bs4 import BeautifulSoup

r = requests.get('http://www.163.com/')
soup = BeautifulSoup(r.text)
print("---------------------------------")
print(soup.title)
print("---------------------------------")
print(soup.title.name)
print("---------------------------------")
print(soup.title.string)
print("---------------------------------")
print(soup.title.parent.name)
print("---------------------------------")
print(soup.p)
print("---------------------------------")
print(soup.p['class'])
print("---------------------------------")
print(soup.a)
print("---------------------------------")
for link in soup.find_all('a'):
  print(link.get('href'))
print("---------------------------------")
print(soup.body.text)
print("---------------------------------")

输出结果：
---------------------------------

---------------------------------
title
---------------------------------
网易
---------------------------------
head
---------------------------------
一周图片精选：2015.3.7-3.13
---------------------------------
['pos-abs']
---------------------------------
应用

---------------------------------
http://www.163.com/#f=topnav
http://m.163.com/newsapp/#f=topnav
http://music.163.com/#f=topnav
http://yuedu.163.com/#f=topnav
http://note.youdao.com/#f=topnav
http://love.163.com/
http://open.163.com/#f=topnav
http://caipiao.163.com/mobile/client_cp.jsp#from=yingyong
http://cidian.youdao.com/?vendor=topnav
http://mail.163.com/client/dl.html?from=mail46
http://www.lofter.com/?act=qb163rk_20141031_01
···
---------------------------------
应用
网易新闻
网易云音乐
网易云阅读
有道云笔记
···
---------------------------------

更多介绍可参考官方文档

整理自网络