（8）：Beautiful Soup的用法 · Python爬蟲

上一節我們介紹了正則表達式，它的內容其實還是蠻多的，如果一個正則匹配稍有差池，那可能程序就處在永久的循環之中，而且有的小伙伴們也對寫正則表達式的寫法用得不熟練，沒關系，我們還有一個更強大的工具，叫Beautiful Soup，有了它我們可以很方便地提取出HTML或XML標簽中的內容，實在是方便，這一節就讓我們一起來感受一下Beautiful Soup的強大吧。 ## 1\. Beautiful Soup的簡介簡單來說，Beautiful Soup是[python]的一個庫，最主要的功能是從網頁抓取數據。官方解釋如下： > Beautiful Soup提供一些簡單的、python式的[函數]用來處理導航、搜索、修改分析樹等功能。它是一個工具箱，通過解析文檔為用戶提供需要抓取的數據，因為簡單，所以不需要多少代碼就可以寫出一個完整的應用程序。 > > Beautiful Soup自動將輸入文檔轉換為Unicode編碼，輸出文檔轉換為utf-8編碼。你不需要考慮編碼方式，除非文檔沒有指定一個編碼方式，這時，Beautiful Soup就不能自動識別編碼方式了。然后，你僅僅需要說明一下原始編碼方式就可以了。 > > Beautiful Soup已成為和l[xml]、html6lib一樣出色的[python]解釋器，為用戶靈活地提供不同的解析策略或強勁的速度。廢話不多說，我們來試一下吧~ ## 2\. Beautiful Soup 安裝 Beautiful Soup 3 目前已經停止開發，推薦在現在的項目中使用Beautiful Soup 4，不過它已經被移植到BS4了，也就是說導入時我們需要 import bs4 。所以這里我們用的版本是 Beautiful Soup 4.3.2 (簡稱BS4)，另外據說 BS4 對 Python3 的支持不夠好，不過我用的是 Python2.7.7，如果有小伙伴用的是 Python3 版本，可以考慮下載 BS3 版本。如果你用的是新版的Debain或Ubuntu,那么可以通過系統的軟件包管理來安裝，不過它不是最新版本，目前是4.2.1版本 ~~~ sudo apt-get install Python-bs4 ~~~ 如果想安裝最新的版本，請直接下載安裝包來手動安裝，也是十分方便的方法。在這里我安裝的是 Beautiful Soup 4.3.2 [Beautiful Soup 3.2.1](https://pypi.python.org/pypi/BeautifulSoup/3.2.1)[Beautiful Soup 4.3.2](https://pypi.python.org/pypi/beautifulsoup4/4.3.2) 下載完成之后解壓運行下面的命令即可完成安裝 ~~~ sudo python setup.py install ~~~ 如下圖所示，證明安裝成功了 [![2015-03-11 00:15:41 的屏幕截圖](http://qiniu.cuiqingcai.com/wp-content/uploads/2015/03/2015-03-11-001541-%E7%9A%84%E5%B1%8F%E5%B9%95%E6%88%AA%E5%9B%BE.png)](http://qiniu.cuiqingcai.com/wp-content/uploads/2015/03/2015-03-11-001541-%E7%9A%84%E5%B1%8F%E5%B9%95%E6%88%AA%E5%9B%BE.png) 然后需要安裝 lxml ~~~ sudo apt-get install Python-lxml ~~~ Beautiful Soup支持Python標準庫中的HTML解析器,還支持一些第三方的解析器，如果我們不安裝它，則 Python 會使用 Python默認的解析器，l[xml]?解析器更加強大，速度更快，推薦安裝。 ## 3\. 開啟Beautiful Soup 之旅在這里先分享官方文檔鏈接，不過內容是有些多，也不夠條理，在此本文章做一下整理方便大家參考。 [官方文檔](http://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html) ## 4\. 創建 Beautiful Soup 對象首先必須要導入 bs4 庫 ~~~ from bs4 import BeautifulSoup ~~~ 我們創建一個字符串，后面的例子我們便會用它來演示 ~~~ html = """ The Dormouse's story The Dormouse's story Once upon a time there were three little sisters; and their names were , Lacie and Tillie; and they lived at the bottom of a well. ... """ ~~~ 創建 beautifulsoup 對象 ~~~ soup = BeautifulSoup(html) ~~~ 另外，我們還可以用本地 HTML 文件來創建對象，例如 ~~~ soup = BeautifulSoup(open('index.html')) ~~~ 上面這句代碼便是將本地 index.html 文件打開，用它來創建 soup 對象下面我們來打印一下 soup 對象的內容，格式化輸出 ~~~ print soup.prettify() ~~~ ~~~ <html> <head> ??<title> ?? The Dormouse's story ??</title> </head> <body> ?? ?? ????The Dormouse's story ?? ?? ?? ?? Once upon a time there were three little sisters; and their names were ?? <a class="sister" href="http://example.com/elsie" id="link1"> ???? ?? </a> ?? , ?? <a class="sister" href="http://example.com/lacie" id="link2"> ????Lacie ?? </a> ?? and ?? <a class="sister" href="http://example.com/tillie" id="link3"> ????Tillie ?? </a> ?? ; and they lived at the bottom of a well. ?? ?? ?? ... ?? </body> </html> ~~~ 以上便是輸出結果，格式化打印出了它的內容，這個[函數]經常用到，小伙伴們要記好咯。 ## 5\. 四大對象種類 Beautiful Soup將復雜HTML文檔轉換成一個復雜的樹形結構,每個節點都是Python對象,所有對象可以歸納為4種: * Tag * NavigableString * BeautifulSoup * Comment 下面我們進行一一介紹 ### **（1）Tag** Tag 是什么？通俗點講就是 HTML 中的一個個標簽，例如 ~~~ title>The Dormouse's story/title> ~~~ ~~~ <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a> ~~~ 上面的 title a 等等 HTML 標簽加上里面包括的內容就是 Tag，下面我們來感受一下怎樣用 Beautiful Soup 來方便地獲取 Tags 下面每一段代碼中注釋部分即為運行結果 ~~~ print soup.title #The Dormouse's story ~~~ ~~~ print soup.head #The Dormouse's story ~~~ ~~~ print soup.a # ~~~ ~~~ print soup.p #The Dormouse's story ~~~ 我們可以利用 soup加標簽名輕松地獲取這些標簽的內容，是不是感覺比正則表達式方便多了？不過有一點是，它查找的是在所有內容中的第一個符合要求的標簽，如果要查詢所有的標簽，我們在后面進行介紹。我們可以驗證一下這些對象的類型 ~~~ print type(soup.a) # ~~~ 對于 Tag，它有兩個重要的屬性，是 name 和 attrs，下面我們分別來感受一下 **name** ~~~ print soup.name print soup.head.name #[document] #head ~~~ soup 對象本身比較特殊，它的 name 即為 [document]，對于其他內部標簽，輸出的值便為標簽本身的名稱。 **attrs** ~~~ print soup.p.attrs #{'class': ['title'], 'name': 'dromouse'} ~~~ 在這里，我們把 p?[標簽]的所有屬性打印輸出了出來，得到的類型是一個字典。如果我們想要單獨獲取某個屬性，可以這樣，例如我們獲取它的 class 叫什么 ~~~ print soup.p['class'] #['title'] ~~~ 還可以這樣，利用get方法，傳入屬性的名稱，二者是等價的 ~~~ print soup.p.get('class') #['title'] ~~~ 我們可以對這些屬性和內容等等進行修改，例如 ~~~ soup.p['class']="newClass" print soup.p #The Dormouse's story ~~~ 還可以對這個屬性進行刪除，例如 ~~~ del soup.p['class'] print soup.p #The Dormouse's story ~~~ 不過，對于修改刪除的操作，不是我們的主要用途，在此不做詳細介紹了，如果有需要，請查看前面提供的官方文檔 ### **（2）NavigableString** 既然我們已經得到了標簽的內容，那么問題來了，我們要想獲取標簽內部的文字怎么辦呢？很簡單，用 .string 即可，例如 ~~~ print soup.p.string #The Dormouse's story ~~~ 這樣我們就輕松獲取到了標簽里面的內容，想想如果用正則表達式要多麻煩。它的類型是一個 NavigableString，翻譯過來叫可以[遍歷]的字符串，不過我們最好還是稱它英文名字吧。 ~~~ print type(soup.p.string) # ~~~ 來檢查一下它的類型 ~~~ print type(soup.p.string) # ~~~ ### **（3）BeautifulSoup** BeautifulSoup?對象表示的是一個文檔的全部內容.大部分時候,可以把它當作?Tag?對象，是一個特殊的 Tag，我們可以分別獲取它的類型，名稱，以及屬性來感受一下 ~~~ print type(soup.name) # print soup.name # [document] print soup.attrs #{} 空字典 ~~~ ### **（4）Comment** Comment?對象是一個特殊類型的?NavigableString?對象，其實輸出的內容仍然不包括注釋符號，但是如果不好好處理它，可能會對我們的文本處理造成意想不到的麻煩。我們找一個帶注釋的標簽 ~~~ print soup.a print soup.a.string print type(soup.a.string) ~~~ 運行結果如下 ~~~ a class="sister" href="http://example.com/elsie" id="link1">!-- Elsie -->/a> Elsie class 'bs4.element.Comment'> ~~~ a?[標簽]里的內容實際上是注釋，但是如果我們利用 .string 來輸出它的內容，我們發現它已經把注釋符號去掉了，所以這可能會給我們帶來不必要的麻煩。另外我們打印輸出下它的類型，發現它是一個 Comment 類型，所以，我們在使用前最好做一下判斷，判斷代碼如下 ~~~ if type(soup.a.string)==bs4.element.Comment: ????print soup.a.string ~~~ 上面的代碼中，我們首先判斷了它的類型，是否為 Comment 類型，然后再進行其他操作，如打印輸出。 ## 6\. 遍歷文檔樹 ### **（1）直接子節點** > **要點：.contents .children?****屬性** **.contents** [tag]?的 .content 屬性可以將tag的子節點以列表的方式輸出 ~~~ print soup.head.contents #[The Dormouse's story] ~~~ 輸出方式為列表，我們可以用列表索引來獲取它的某一個元素 ~~~ print soup.head.contents[0] #The Dormouse's story ~~~ **.children** 它返回的不是一個 list，不過我們可以通過[遍歷]獲取所有子節點。我們打印輸出 .children 看一下，可以發現它是一個 list 生成器對象 ~~~ print soup.head.children # ~~~ 我們怎樣獲得里面的內容呢？很簡單，遍歷一下就好了，代碼及結果如下 ~~~ for child in??soup.body.children: ????print child ~~~ ~~~ p class="title" name="dromouse">b>The Dormouse's story/b>/p> p class="story">Once upon a time there were three little sisters; and their names were a class="sister" href="http://example.com/elsie" id="link1">!-- Elsie -->/a>, a class="sister" href="http://example.com/lacie" id="link2">Lacie/a> and a class="sister" href="http://example.com/tillie" id="link3">Tillie/a>; and they lived at the bottom of a well./p> p class="story">.../p> ~~~ ### **（2）所有子孫節點** > **知識點：.descendants**?**屬性** **.descendants** .contents?和?.children?屬性僅包含tag的直接子節點，.descendants?屬性可以對所有tag的子孫節點進行遞歸循環，和 children類似，我們也需要遍歷獲取其中的內容。 ~~~ for child in soup.descendants: ????print child ~~~ 運行結果如下，可以發現，所有的節點都被打印出來了，先生最外層的 HTML標簽，其次從 head 標簽一個個剝離，以此類推。 ~~~ html>head>title>The Dormouse's story The Dormouse's story/b>/p> p class="story">Once upon a time there were three little sisters; and their names were a class="sister" href="http://example.com/elsie" id="link1">!-- Elsie -->/a>, a class="sister" href="http://example.com/lacie" id="link2">Lacie/a> and a class="sister" href="http://example.com/tillie" id="link3">Tillie/a>; and they lived at the bottom of a well./p> p class="story">.../p> /body>/html> head>title>The Dormouse's story The Dormouse's story/title> The Dormouse's story The Dormouse's story/b>/p> p class="story">Once upon a time there were three little sisters; and their names were a class="sister" href="http://example.com/elsie" id="link1">!-- Elsie -->/a>, a class="sister" href="http://example.com/lacie" id="link2">Lacie/a> and a class="sister" href="http://example.com/tillie" id="link3">Tillie/a>; and they lived at the bottom of a well./p> p class="story">.../p> /body> p class="title" name="dromouse">b>The Dormouse's story The Dormouse's story/b> The Dormouse's story p class="story">Once upon a time there were three little sisters; and their names were a class="sister" href="http://example.com/elsie" id="link1">!-- Elsie -->/a>, a class="sister" href="http://example.com/lacie" id="link2">Lacie/a> and a class="sister" href="http://example.com/tillie" id="link3">Tillie/a>; and they lived at the bottom of a well./p> Once upon a time there were three little sisters; and their names were a class="sister" href="http://example.com/elsie" id="link1">!-- Elsie -->/a> Elsie , a class="sister" href="http://example.com/lacie" id="link2">Lacie/a> Lacie and a class="sister" href="http://example.com/tillie" id="link3">Tillie/a> Tillie ; and they lived at the bottom of a well. p class="story">.../p> ... ~~~ ### **（3）節點內容** > 知識點：.string 屬性如果tag只有一個?NavigableString?類型子節點,那么這個tag可以使用?.string?得到子節點。如果一個tag僅有一個子節點,那么這個tag也可以使用?.string?方法,輸出結果與當前唯一子節點的?.string?結果相同。通俗點說就是：如果一個[標簽]里面沒有標簽了，那么 .string 就會返回標簽里面的內容。如果標簽里面只有唯一的一個標簽了，那么 .string 也會返回最里面的內容。例如 ~~~ print soup.head.string #The Dormouse's story print soup.title.string #The Dormouse's story ~~~ 如果[tag]包含了多個子節點,tag就無法確定，string 方法應該調用哪個子節點的內容, .string 的輸出結果是 None ~~~ print soup.html.string # None ~~~ ### **（4）多個內容** > **知識點： .strings .stripped_strings 屬性** **.strings** 獲取多個內容，不過需要[遍歷]獲取，比如下面的例子 ~~~ for string in soup.strings: ????print(repr(string)) ????# u"The Dormouse's story" ????# u'\n\n' ????# u"The Dormouse's story" ????# u'\n\n' ????# u'Once upon a time there were three little sisters; and their names were\n' ????# u'Elsie' ????# u',\n' ????# u'Lacie' ????# u' and\n' ????# u'Tillie' ????# u';\nand they lived at the bottom of a well.' ????# u'\n\n' ????# u'...' ????# u'\n' ~~~ **.stripped_strings** 輸出的字符串中可能包含了很多空格或空行,使用?.stripped_strings?可以去除多余空白內容 ~~~ for string in soup.stripped_strings: ????print(repr(string)) ????# u"The Dormouse's story" ????# u"The Dormouse's story" ????# u'Once upon a time there were three little sisters; and their names were' ????# u'Elsie' ????# u',' ????# u'Lacie' ????# u'and' ????# u'Tillie' ????# u';\nand they lived at the bottom of a well.' ????# u'...' ~~~ ### **（5）父節點** > **知識點： .parent 屬性** ~~~ p = soup.p print p.parent.name #body ~~~ ~~~ content = soup.head.title.string print content.parent.name #title ~~~ ### **（6）全部父節點** > **知識點：.parents 屬性** 通過元素的?.parents?屬性可以遞歸得到元素的所有父輩節點，例如 ~~~ content = soup.head.title.string for parent in??content.parents: ????print parent.name ~~~ ~~~ title head html [document] ~~~ ### **（7）兄弟節點** > **知識點：.next_sibling .previous_sibling 屬性** 兄弟節點可以理解為和本節點處在統一級的節點，.next_sibling 屬性獲取了該節點的下一個兄弟節點，.previous_sibling 則與之相反，如果節點不存在，則返回 None 注意：實際文檔中的tag的 .next_sibling 和 .previous_sibling 屬性通常是字符串或空白，因為空白或者換行也可以被視作一個節點，所以得到的結果可能是空白或者換行 ~~~ print soup.p.next_sibling #?????? 實際該處為空白 print soup.p.prev_sibling #None?? 沒有前一個兄弟節點，返回 None print soup.p.next_sibling.next_sibling #Once upon a time there were three little sisters; and their names were #, #Lacie and #Tillie; #and they lived at the bottom of a well. #下一個節點的下一個兄弟節點是我們可以看到的節點 ~~~ ### **（8）全部兄弟節點** > **知識點：.next_siblings .previous_siblings 屬性** 通過?.next_siblings?和?.previous_siblings?屬性可以對當前節點的兄弟節點迭代輸出 ~~~ for sibling in soup.a.next_siblings: ????print(repr(sibling)) ????# u',\n' ????# Lacie ????# u' and\n' ????# Tillie ????# u'; and they lived at the bottom of a well.' ????# None ~~~ ### **（9）前后節點** > **知識點：.next_element .previous_element 屬性** 與 .next_sibling .previous_sibling 不同，它并不是針對于兄弟節點，而是在所有節點，不分層次比如 head 節點為 ~~~ head>title>The Dormouse's story/title>/head> ~~~ 那么它的下一個節點便是 title，它是不分層次關系的 ~~~ print soup.head.next_element #The Dormouse's story ~~~ ### **（10）所有前后節點** > **知識點：.next_elements .previous_elements 屬性** 通過?.next_elements?和?.previous_elements?的迭代器就可以向前或向后訪問文檔的解析內容,就好像文檔正在被解析一樣 ~~~ for element in last_a_tag.next_elements: ????print(repr(element)) # u'Tillie' # u';\nand they lived at the bottom of a well.' # u'\n\n' # ... # u'...' # u'\n' # None ~~~ ## 7.搜索文檔樹 ### （1）find_all( name , attrs , recursive , text , **kwargs ) find_all()?方法搜索當前tag的所有tag子節點,并判斷是否符合過濾器的條件 **1）name 參數** name?參數可以查找所有名字為?name?的[tag],字符串對象會被自動忽略掉 **A.傳字符串** 最簡單的過濾器是字符串.在搜索方法中傳入一個字符串參數,Beautiful Soup會查找與字符串完整匹配的內容,下面的例子用于查找文檔中所有的標簽 ~~~ soup.find_all('b') # [The Dormouse's story] ~~~ ~~~ print soup.find_all('a') #[, Lacie, Tillie] ~~~ **B.傳正則表達式** 如果傳入正則表達式作為參數,Beautiful Soup會通過正則表達式的?match()?來匹配內容.下面例子中找出所有以b開頭的標簽,這表示和標簽都應該被找到 ~~~ import re for tag in soup.find_all(re.compile("^b")): ????print(tag.name) # body # b ~~~ **C.傳列表** 如果傳入列表參數,Beautiful Soup會將與列表中任一元素匹配的內容返回.下面代碼找到文檔中所有標簽和標簽 ~~~ soup.find_all(["a", "b"]) # [The Dormouse's story, #??Elsie, #??Lacie, #??Tillie] ~~~ **D.傳 True** True?可以匹配任何值,下面代碼查找到所有的tag,但是不會返回字符串節點 ~~~ for tag in soup.find_all(True): ????print(tag.name) # html # head # title # body # p # b # p # a # a ~~~ **E.傳方法** 如果沒有合適過濾器,那么還可以定義一個方法,方法只接受一個元素參數?[[4]](http://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#id85)?,如果這個方法返回?True?表示當前元素匹配并且被找到,如果不是則反回?False 下面方法校驗了當前元素,如果包含?class?屬性卻不包含?id?屬性,那么將返回?True: ~~~ def has_class_but_no_id(tag): ????return tag.has_attr('class') and not tag.has_attr('id') ~~~ 將這個方法作為參數傳入?find_all()?方法,將得到所有[標簽]: ~~~ soup.find_all(has_class_but_no_id) # [The Dormouse's story, #??Once upon a time there were..., #??...] ~~~ **2）keyword 參數** > **注意：如果一個指定名字的參數不是搜索內置的參數名,搜索時會把該參數當作指定名字tag的屬性來搜索,如果包含一個名字為?id?的參數,Beautiful Soup會搜索每個tag的”id”屬性** ~~~ soup.find_all(id='link2') # [Lacie] ~~~ 如果傳入?href?參數,Beautiful Soup會搜索每個[tag]的”href”屬性 ~~~ soup.find_all(href=re.compile("elsie")) # [Elsie] ~~~ 使用多個指定名字的參數可以同時過濾tag的多個屬性 ~~~ soup.find_all(href=re.compile("elsie"), id='link1') # [three] ~~~ 在這里我們想用 class 過濾，不過 class 是?[python]的關鍵詞，這怎么辦？加個下劃線就可以 ~~~ soup.find_all("a", class_="sister") # [Elsie, #??Lacie, #??Tillie] ~~~ 有些tag屬性在搜索不能使用,比如HTML5中的 data-* 屬性 ~~~ soup.find_all("a", class_="sister") # [Elsie, #??Lacie, #??Tillie] ~~~ 但是可以通過?find_all()?方法的?attrs?參數定義一個字典參數來搜索包含特殊屬性的tag ~~~ data_soup.find_all(attrs={"data-foo": "value"}) # [foo!] ~~~ **3）text 參數** 通過?text?參數可以搜搜文檔中的字符串內容.與?name?參數的可選值一樣,?text?參數接受字符串 , 正則表達式 , 列表, True ~~~ soup.find_all(text="Elsie") # [u'Elsie'] soup.find_all(text=["Tillie", "Elsie", "Lacie"]) # [u'Elsie', u'Lacie', u'Tillie'] soup.find_all(text=re.compile("Dormouse")) [u"The Dormouse's story", u"The Dormouse's story"] ~~~ **4）limit 參數** find_all()?方法返回全部的搜索結構,如果文檔樹很大那么搜索會很慢.如果我們不需要全部結果,可以使用?limit?參數限制返回結果的數量.效果與SQL中的limit關鍵字類似,當搜索到的結果數量達到?limit?的限制時,就停止搜索返回結果. 文檔樹中有3個tag符合搜索條件,但結果只返回了2個,因為我們限制了返回數量 ~~~ soup.find_all("a", limit=2) # [Elsie, #??Lacie] ~~~ **5）recursive 參數** 調用tag的?find_all()?方法時,Beautiful Soup會檢索當前[tag](http://cpro.baidu.com/cpro/ui/uijs.php?c=news&cf=1001&ch=0&di=8&fv=17&jk=d174a177de878ec7&k=tag&k0=tag&kdi0=0&luki=2&n=10&p=baidu&q=35091180_cpr&rb=0&rs=1&seller_id=1&sid=c78e87de77a174d1&ssp2=1&stid=0&t=tpclicked3_hc&tu=u1959022&u=http%3A%2F%2Fcuiqingcai%2Ecom%2F1319%2Ehtml&urlid=0)的所有子孫節點,如果只想搜索tag的直接子節點,可以使用參數?recursive=False?. 一段簡單的文檔: ~~~ html> head> ??title> ?? The Dormouse's story ??/title> /head> ... ~~~ 是否使用?recursive?參數的搜索結果: ~~~ soup.html.find_all("title") # [The Dormouse's story] soup.html.find_all("title", recursive=False) # [] ~~~ ### （2）find( name , attrs , recursive , text , **kwargs ) 它與 find_all() 方法唯一的區別是?find_all()?方法的返回結果是值包含一個元素的列表,而?find()?方法直接返回結果 ### （3）find_parents() find_parent() find_all()?和?find()?只搜索當前節點的所有子節點,孫子節點等.?find_parents()?和?find_parent()?用來搜索當前節點的父輩節點,搜索方法與普通tag的搜索方法相同,搜索文檔搜索文檔包含的內容 ### （4）find_next_siblings() find_next_sibling() 這2個方法通過 .next_siblings 屬性對當 tag 的所有后面解析的兄弟 tag 節點進行迭代,?find_next_siblings()?方法返回所有符合條件的后面的兄弟節點,find_next_sibling()?只返回符合條件的后面的第一個tag節點 ### （5）find_previous_siblings() find_previous_sibling() 這2個方法通過 .previous_siblings 屬性對當前 tag 的前面解析的兄弟 tag 節點進行迭代,?find_previous_siblings()?方法返回所有符合條件的前面的兄弟節點,?find_previous_sibling()?方法返回第一個符合條件的前面的兄弟節點 ### （6）find_all_next() find_next() 這2個方法通過 .next_elements 屬性對當前 tag 的之后的 tag 和字符串進行迭代,?find_all_next()?方法返回所有符合條件的節點,?find_next()?方法返回第一個符合條件的節點 ### （7）find_all_previous() 和 find_previous() 這2個方法通過 .previous_elements 屬性對當前節點前面的?[tag]?和字符串進行迭代,?find_all_previous()?方法返回所有符合條件的節點,?find_previous()方法返回第一個符合條件的節點 > **注：以上（2）（3）（4）（5）（6）（7）方法參數用法與 find_all() 完全相同，原理均類似，在此不再贅述。** ## 8.CSS選擇器我們在寫 CSS 時，標簽名不加任何修飾，類名前加點，id名前加 #，在這里我們也可以利用類似的方法來篩選元素，用到的方法是?**soup.select()，**返回類型是?**list** ### （1）通過標簽名查找 ~~~ print soup.select('title') #[The Dormouse's story] ~~~ ~~~ print soup.select('a') #[, Lacie, Tillie] ~~~ ~~~ print soup.select('b') #[The Dormouse's story] ~~~ ### （2）通過類名查找 ~~~ print soup.select('.sister') #[, Lacie, Tillie] ~~~ ### （3）通過 id 名查找 ~~~ print soup.select('#link1') #[] ~~~ ### （4）組合查找組合查找即和寫 class 文件時，標簽名與類名、id名進行的組合原理是一樣的，例如查找 p 標簽中，id 等于 link1的內容，二者需要用空格分開 ~~~ print soup.select('p #link1') #[] ~~~ 直接子標簽查找 ~~~ print soup.select("head > title") #[The Dormouse's story] ~~~ ### （5）屬性查找查找時還可以加入屬性元素，屬性需要用中括號括起來，注意屬性和[標簽]屬于同一節點，所以中間不能加空格，否則會無法匹配到。 ~~~ print soup.select("head > title") #[The Dormouse's story] ~~~ ~~~ print soup.select('a[href="http://example.com/elsie"]') #[] ~~~ ~~~ 同樣，屬性仍然可以與上述查找方式組合，不在同一節點的空格隔開，同一節點的不加空格 ~~~ ~~~ print soup.select('p a[href="http://example.com/elsie"]') #[] ~~~ 好，這就是另一種與 find_all 方法有異曲同工之妙的查找方法，是不是感覺很方便？ ## 總結本篇內容比較多，把 Beautiful Soup 的方法進行了大部分整理和總結，不過這還不算完全，仍然有 Beautiful Soup 的修改刪除功能，不過這些功能用得比較少，只整理了查找提取的方法，希望對大家有幫助！小伙伴們加油！熟練掌握了 Beautiful Soup，一定會給你帶來太多方便，加油吧！