本帖子已过去太久远了，不再提供回复功能。> 调用BeautifuSoup进行html的文本内容提取有关问题
调用BeautifuSoup进行html的文本内容提取有关问题
liaoguangzhong & &
发布时间： & &
浏览：13 & &
回复：2 & &
悬赏：0.0希赛币
调用BeautifuSoup进行html的文本内容提取问题定义一个提取文本的函数
def&gettext(html):
&&&&from&bs4&import&BeautifulSoup
&&&&soup=&BeautifulSoup(html)
&&&&return&soup.get_text()
这是我下载内容的函数
def&downURL(url,filename):
&&&&print&url
&&&&print&filename
&&&&&&&&fp&=&urllib2.urlopen(url)
&&&&except:
&&&&&&&&print&'download&exception'
&&&&&&&&return&0
&&&&op&=&open(filename,"wb")
&&&&while&1:
&&&&&&&&s&=&fp.read()
&&&&&&&&if&not&s:
&&&&&&&&&&&&break
&&&&&&&&s=gettext(s)
&&&&&&&&op.write(s)
&&&&&&&&fp.close()
&&&&&&&&return&1
编译的时候就提示
WARNING:root:Some&characters&could&not&be&decoded,&and&were&replaced&with&REPLACEMENT&CHARACTER.
UnicodeEncodeError:&'ascii'&codec&can't&encode&characters&in&position&106-124:&ordinal&not&in&range(128)
在百度知道，给你解释过了。
此处不再啰嗦，只贴相关内容供参考：
Python&2.x中常见字符编码和解码方面的错误及其解决办法
Python的第三方库BeautifulSoup的使用心得LIAOHAOHUFEI & &
15:52:16 & &
& & （0）（1）引用op.write(str(s))liaohao & &
15:52:16 & &
& & （0）（0）引用
本问题标题：
本问题地址：
温馨提示：本问答中心的任何言论仅代表发言者个人的观点，与希赛网立场无关。请对您的言论负责，遵守中华人民共和国有关法律、法规。如果您的言论违反希赛网问答中心的规则，将会被删除。
暂无合适的专家
&&&&&&&&&&&&&&&
希赛网 版权所有 & &&　　之前用python爬取网页的时候，一直用的是regex或者自带的库sgmllib里的SGMLParser。但是遇到复杂一点的情况时，SGMLParser往往就不那么给力了！（哈，难道说我 too native了？毕竟beautifulSoup是继承sgmlparser的么~）所以，我寻寻觅觅寻寻觅觅，发现了BeautifulSoup这么个玩意。BeautifulSoup提供了很人性化的parser tree，有了它，我们可以简单的抽取出tagname, attrs, text等等等等...
　　install什么的，看这里 -&
（ps:其实入门什么的看官方文档是最好的了，这里只是记录一下简单的用法。）
（official document link : ）
　　首先先介绍实际工作中最常用的几个方法：
　　举例的html代码（就用官方例子好了）:
&title&Page title&/title&
&p id="firstpara" align="center"&
This is paragraph&b&one&/b&.
&p id="secondpara" align="blah"&
This is paragraph&b&two&/b&.
13 &/html&
0、初始化：
1 soup = BeautifulSoup(html) # html为html源代码字符串，type(html) == str
1、用tag获取相应代码块的剖析树：
　　既然要分析html，首先要找到对我们有用的tag块，beautiful提供了非常便利的方式。
#当用tag作为搜索条件时，我们获取的包含这个tag块的剖析树：
#&tag&&xxx&ooo&/xxx&&/tag&
#这里获取head这个块
head = soup.find('head')
# head = soup.head
# head = soup.contents[0].contents[0]
运行后，我们会得到：
&title&Page title&/title&
　　这里小灯我还是推荐使用第二种方法，find方法在当前tag剖析树（当前这个html代码块中）寻找符合条件的子树并返回。find方法提供多种查询方式，包括用喜闻乐见的regex哦~之后会详细介绍。
　　contents属性是一个列表，里面保存了该剖析树的直接儿子。
1 html = soup.contents[0] # &html& ... &/html&
2 head = html.contents[0] # &head& ... &/head&
3 body = html.contents[1] # &body& ... &/body&
2、用contents[], parent, nextSibling, previousSibling寻找父子兄弟tag
　　为了更加方便灵活的分析html代码块，beautifulSoup提供了几个简单的方法直接获取当前tag块的父子兄弟。
假设我们已经获得了body这个tag块，我们想要寻找&html&, &head&, 第一个&p&, 第二个&p&这四个tag块：
# body = soup.bodyhtml = body.parent # html是body的父亲head = body.previousSibling # head和body在同一层，是body的前一个兄弟p1 = body.contents[0] # p1, p2都是body的儿子，我们用contents[0]取得p1
p2 = p1.nextSibling # p2与p1在同一层，是p1的后一个兄弟, 当然body.content[1]也可得到
print p1.text
# u'This is paragraphone.'
print p2.text
# u'This is paragraphtwo.'
注意：1，每个tag的text包括了它以及它子孙的text。2，所有text已经被自动转
#为unicode，如果需要，可以自行转码encode(xxx)
　　然而，如果我们要寻找祖先或者孙子tag怎么办呢？？ 用while循环吗？ 不， beautifulsoup已经提供了方法。
3、用find, findParent, findNextSibling, findPreviousSibling寻找祖先或者子孙 tag：
　　有了上面的基础，这里应该很好理解了，例如find方法（我理解和findChild是一样的），就是以当前节点为起始，遍历整个子树，找到后返回。
　　而这些方法的复数形式，会找到所有符合要求的tag，以list的方式放回。他们的对应关系是：find-&findall, findParent-&findParents, findNextSibling-&findNextSiblings...
1 print soup.findAll('p')
2 # [&p id="firstpara" align="center"&This is paragraph &b&one&/b&.&/p&, &p id="secondpara" align="blah"&This is paragraph &b&two&/b&.&/p&]
　　这里我们重点讲一下find的几种用法，其他的类比：
　　find(name=None, attrs={}, recursive=True, text=None, **kwargs)
（ps:只讲几种用法，完整请看官方link : ）
　　1) 搜索tag：
1 find(tagname)
# 直接搜索名为tagname的tag 如：find('head')
2 find(list)
# 搜索在list中的tag，如: find(['head', 'body'])
3 find(dict)
# 搜索在dict中的tag，如:find({'head':True, 'body':True})
4 pile('')) # 搜索符合正则的tag, 如:pile('^p')) 搜索以p开头的tag
5 find(lambda)
# 搜索函数返回结果为true的tag, 如:find(lambda name: if len(name) == 1) 搜索长度为1的tag
6 find(True)
# 搜索所有tag
　　2) 搜索属性(attrs)：
1 find(id='xxx')
# 寻找id属性为xxx的
2 find(attrs={pile('xxx'), algin='xxx'}) # 寻找id属性符合正则且algin属性为xxx的
3 find(attrs={id=True, algin=None})
# 寻找有id属性但是没有algin属性的
　　3) 搜索文字（text）:
注意，文字的搜索会导致其他搜索给的值如：tag, attrs都失效。
方法与搜索tag一致
　　4) recursive, limit:
　　recursive=False表示只搜索直接儿子，否则搜索整个子树，默认为True。
　　当使用findAll或者类似返回list的方法时，limit属性用于限制返回的数量，如findAll('p', limit=2)： 返回首先找到的两个tag
*4、用next，previous寻找上下文tag（少用）
　　这里我们主要看看next, next是取得当前的tag的下一个（按代码从上到下的顺序）tag块。这与contents是不一样的，千万别混淆了哦^ ^
　　我们举个栗子来看看
&我们看看next的实际效果：
1 a = soup.a
2 b = soup.b
3 n1 = b.next
4 n2 = n1.next
&输出一下：
1 print a.next
3 print n1
5 print n2
6 # &c&c&/c&
所以，next仅仅是获取文档上的&下一个&的tag，和剖析树中的位置无关。
当然也有findNext和findAllNext方法。
至于previous， 表示上一个tag块，就类比一下吧~^ ^
阅读(...) 评论()新手园地& & & 硬件问题Linux系统管理Linux网络问题Linux环境编程Linux桌面系统国产LinuxBSD& & & BSD文档中心AIX& & & 新手入门& & & AIX文档中心& & & 资源下载& & & Power高级应用& & & IBM存储AS400Solaris& & & Solaris文档中心HP-UX& & & HP文档中心SCO UNIX& & & SCO文档中心互操作专区IRIXTru64 UNIXMac OS X门户网站运维集群和高可用服务器应用监控和防护虚拟化技术架构设计行业应用和管理服务器及硬件技术& & & 服务器资源下载云计算& & & 云计算文档中心& & & 云计算业界& & & 云计算资源下载存储备份& & & 存储文档中心& & & 存储业界& & & 存储资源下载& & & Symantec技术交流区安全技术网络技术& & & 网络技术文档中心C/C++& & & GUI编程& & & Functional编程内核源码& & & 内核问题移动开发& & & 移动开发技术资料ShellPerlJava& & & Java文档中心PHP& & & php文档中心Python& & & Python文档中心RubyCPU与编译器嵌入式开发驱动开发Web开发VoIP开发技术MySQL& & & MySQL文档中心SybaseOraclePostgreSQLDB2Informix数据仓库与数据挖掘NoSQL技术IT业界新闻与评论IT职业生涯& & & 猎头招聘IT图书与评论& & & CU技术图书大系& & & Linux书友会二手交易下载共享Linux文档专区IT培训与认证& & & 培训交流& & & 认证培训清茶斋投资理财运动地带快乐数码摄影& & & 摄影器材& & & 摄影比赛专区IT爱车族旅游天下站务交流版主会议室博客SNS站务交流区CU活动专区& & & Power活动专区& & & 拍卖交流区频道交流区
丰衣足食, 积分 946, 距离下一级还需 54 积分
论坛徽章:5
& && &1、我把一个网页保存为html，然后用beautifulsoup去分析。
& && &结果发现，通过封装的函数buildSoupFromStr(content)调用会报错，
& && &直接使用BeautifulSoup(content,fromEncoding=&GBK&)则不会。
& && &2、另外，请教各位大侠，如果抓取一个网页的文本部分，除了正则、beautifulsoup、还有比较好的办法吗？
& && & 感觉beautifulsoup也不太方便。
报错内容如下：Traceback (most recent call last):
&&File &C:\Program Files\Python27\code\hanhan.py&, line 29, in &module&
& & buildSoupFromStr(content)
&&File &C:\Program Files\Python27\code\hanhan.py&, line 20, in buildSoupFromStr
& & soup = BeautifulSoup(content,fromEncoding)
&&File &build\bdist.win32\egg\BeautifulSoup.py&, line 1522, in __init__
& & BeautifulStoneSoup.__init__(self, *args, **kwargs)
&&File &build\bdist.win32\egg\BeautifulSoup.py&, line 1147, in __init__
& & self._feed(isHTML=isHTML)
&&File &build\bdist.win32\egg\BeautifulSoup.py&, line 1189, in _feed
& & SGMLParser.feed(self, markup)
&&File &C:\Program Files\Python27\lib\sgmllib.py&, line 104, in feed
& & self.goahead(0)
&&File &C:\Program Files\Python27\lib\sgmllib.py&, line 174, in goahead
& & k = self.parse_declaration(i)
&&File &build\bdist.win32\egg\BeautifulSoup.py&, line 1463, in parse_declaration
& & j = SGMLParser.parse_declaration(self, i)
&&File &C:\Program Files\Python27\lib\markupbase.py&, line 109, in parse_declaration
& & self.handle_decl(data)
&&File &build\bdist.win32\egg\BeautifulSoup.py&, line 1448, in handle_decl
& & self._toStringSubclass(data, Declaration)
&&File &build\bdist.win32\egg\BeautifulSoup.py&, line 1379, in _toStringSubclass
& & self.endData()
&&File &build\bdist.win32\egg\BeautifulSoup.py&, line 1251, in endData
& & (not self.parseOnlyThese.text or \
AttributeError: 'str' object has no attribute 'text'复制代码全部代码如下：# -*- coding: cp936 -*-
from sys import *
from BeautifulSoup import *
def getContent(filename):
& & try:
& && &&&file_object = open(filename, 'r')
& & except IOError:&&
& && &&&print 'Can not find file'
& && &&&return -1
& & try:
& && &&&content = file_object.read( )
& & finally:
& && &&&file_object.close( )
& & return content
def buildSoupFromStr(content,fromEncoding=&GBK&):
& & print type(content)
& & soup = BeautifulSoup(content,fromEncoding)
& & #return soup
if __name__ == '__main__':
& & content = getContent('han.html')
& & #print content
& & if -1 == content:
& && &&&print 'error happen'
& & buildSoupFromStr(content)
& & #BeautifulSoup(content,fromEncoding=&GBK&)
& &
&&nbsp|&&nbsp&&nbsp|&&nbsp&&nbsp|&&nbsp&&nbsp|&&nbsp
大富大贵, 积分 11216, 距离下一级还需 8784 积分
论坛徽章:11
1.bs默认是UTF-8，如果真实页面是其它编码（ASCII除外），就会报错。在参数设置事先知道的编码方式。
2. bs支持多种API，比如CSS selector就比较方便，前提是要了解CSS selector的语法。总体来看，HTML/XML结构化文档的解析工作都是比较繁琐复杂，没什么捷径。
丰衣足食, 积分 946, 距离下一级还需 54 积分
论坛徽章:5
timespace 发表于
1.bs默认是UTF-8，如果真实页面是其它编码（ASCII除外），就会报错。在参数设置事先知道的编码方式。
谢谢大侠！
关于1，我直接调用没有报错，但是我将参数传递进去之后就报错了！不是很奇怪的事情嘛！
貌似跟编码方式无关吧！
大富大贵, 积分 11216, 距离下一级还需 8784 积分
论坛徽章:11
是说调用方式啊，确实和编码无关。知道怎么用positional参数和keyword参数吗？改buildSoupFromStr：soup = BeautifulSoup(content,fromEncoding= fromEncoding)复制代码
丰衣足食, 积分 946, 距离下一级还需 54 积分
论坛徽章:5
按照你的修改的确正常了，多谢了！
但是我做了个测试：
def func2(a,b):
& & print 'a is ',a,',b is',b
def func1(a,b=5):
& & func2(a,b)
func1(3,4)
复制代码最终打印结果：
a is&&3 ,b is 4
没有报错呢！
大富大贵, 积分 11216, 距离下一级还需 8784 积分
论坛徽章:11
为什么要报错？bs的encoding需要keyword参数，你传了positional参数，导致bs的内部逻辑错误，但不是语法错误。
论坛徽章:7
用lxml模块，然后用xpath语法析出你要的数据。
丰衣足食, 积分 946, 距离下一级还需 54 积分
论坛徽章:5
谢谢大神，有空试试！
北京皓辰网域网络信息技术有限公司. 版权所有 京ICP证:060528号 北京市公安局海淀分局网监中心备案编号：
广播电视节目制作经营许可证(京) 字第1234号
中国互联网协会会员&&联系我们：
感谢所有关心和支持过ChinaUnix的朋友们
转载本站内容请注明原作者名及出处博主录制的Python3爬虫视频教程已发布！详情请戳！希望大家支持！非常感谢！
> Python爬虫利器二之Beautiful Soup的用法
上一节我们介绍了正则表达式，它的内容其实还是蛮多的，如果一个正则匹配稍有差池，那可能程序就处在永久的循环之中，而且有的小伙伴们也对写正则表达式的写法用得不熟练，没关系，我们还有一个更强大的工具，叫Beautiful Soup，有了它我们可以很方便地提取出HTML或XML标签中的内容，实在是方便，这一节就让我们一起来感受一下Beautiful Soup的强大吧。
1. Beautiful Soup的简介
简单来说，Beautiful Soup是python的一个库，最主要的功能是从网页抓取数据。官方解释如下：
Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。
Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。你不需要考虑编码方式，除非文档没有指定一个编码方式，这时，Beautiful Soup就不能自动识别编码方式了。然后，你仅仅需要说明一下原始编码方式就可以了。
Beautiful Soup已成为和lxml、html6lib一样出色的python解释器，为用户灵活地提供不同的解析策略或强劲的速度。
废话不多说，我们来试一下吧~
2. Beautiful Soup 安装
Beautiful Soup 3 目前已经停止开发，推荐在现在的项目中使用Beautiful Soup 4，不过它已经被移植到BS4了，也就是说导入时我们需要 import bs4 。所以这里我们用的版本是 Beautiful Soup 4.3.2 (简称BS4)，另外据说 BS4 对 Python3 的支持不够好，不过我用的是 Python2.7.7，如果有小伙伴用的是 Python3 版本，可以考虑下载 BS3 版本。
可以利用 pip 或者 easy_install 来安装，以下两种方法均可
easy_install beautifulsoup4
easy_install beautifulsoup4
pip install beautifulsoup4
pip install beautifulsoup4
如果想安装最新的版本，请直接下载安装包来手动安装，也是十分方便的方法。在这里我安装的是 Beautiful Soup 4.3.2
下载完成之后解压
运行下面的命令即可完成安装
sudo python setup.py install
sudo python setup.py install
然后需要安装 lxml
easy_install lxml
easy_install lxml
pip install lxml
pip install lxml
另一个可供选择的解析器是纯Python实现的 html5lib , html5lib的解析方式与浏览器相同,可以选择下列方法来安装html5lib:
easy_install html5lib
easy_install html5lib
pip install html5lib
pip install html5lib
Beautiful Soup支持Python标准库中的HTML解析器,还支持一些第三方的解析器，如果我们不安装它，则 Python 会使用 Python默认的解析器，lxml 解析器更加强大，速度更快，推荐安装。
&thead”&
Python标准库
BeautifulSoup(markup, “html.parser”)
Python的内置标准库
执行速度适中
文档容错能力强
Python 2.7.3 or 3.2.2)前 的版本中文档容错能力差
lxml HTML 解析器
BeautifulSoup(markup, “lxml”)
文档容错能力强
需要安装C语言库
lxml XML 解析器
BeautifulSoup(markup, [“lxml”, “xml”])BeautifulSoup(markup, “xml”)
唯一支持XML的解析器
需要安装C语言库
BeautifulSoup(markup, “html5lib”)
最好的容错性
以浏览器的方式解析文档
生成HTML5格式的文档
不依赖外部扩展
3. 开启Beautiful Soup 之旅
在这里先分享官方文档链接，不过内容是有些多，也不够条理，在此本文章做一下整理方便大家参考。
4. 创建 Beautiful Soup 对象
首先必须要导入 bs4 库
from bs4 import BeautifulSoup
from bs4 import BeautifulSoup
我们创建一个字符串，后面的例子我们便会用它来演示
html = """
&html&&head&&title&The Dormouse's story&/title&&/head&
&p class="title" name="dromouse"&&b&The Dormouse's story&/b&&/p&
&p class="story"&Once upon a time there were
and their names were
&a href="/elsie" class="sister" id="link1"&&!-- Elsie --&&/a&,
&a href="/lacie" class="sister" id="link2"&Lacie&/a& and
&a href="/tillie" class="sister" id="link3"&Tillie&/a&;
and they lived at the bottom of a well.&/p&
&p class="story"&...&/p&
1234567891011
html = """&html&&head&&title&The Dormouse's story&/title&&/head&&body&&p class="title" name="dromouse"&&b&The Dormouse's story&/b&&/p&&p class="story"&Once upon a time there were
and their names were&a href="/elsie" class="sister" id="link1"&&!-- Elsie --&&/a&,&a href="/lacie" class="sister" id="link2"&Lacie&/a& and&a href="/tillie" class="sister" id="link3"&Tillie&/a&;and they lived at the bottom of a well.&/p&&p class="story"&...&/p&"""
创建 beautifulsoup 对象
soup = BeautifulSoup(html)
soup = BeautifulSoup(html)
另外，我们还可以用本地 HTML 文件来创建对象，例如
soup = BeautifulSoup(open('index.html'))
soup = BeautifulSoup(open('index.html'))
上面这句代码便是将本地 index.html 文件打开，用它来创建 soup 对象
下面我们来打印一下 soup 对象的内容，格式化输出
print soup.prettify()
print soup.prettify()
The Dormouse's story
&p class="title" name="dromouse"&
The Dormouse's story
&p class="story"&
Once upon a time there were
and their names were
&a class="sister" href="/elsie" id="link1"&
&!-- Elsie --&
&a class="sister" href="/lacie" id="link2"&
&a class="sister" href="/tillie" id="link3"&
and they lived at the bottom of a well.
&p class="story"&
&html& &head&&&&title&&& The Dormouse's story&&&/title&
以上便是输出结果，格式化打印出了它的内容，这个函数经常用到，小伙伴们要记好咯。
5. 四大对象种类
Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种:
NavigableString
BeautifulSoup
下面我们进行一一介绍
Tag 是什么？通俗点讲就是 HTML 中的一个个标签，例如
&title&The Dormouse's story&/title&
&title&The Dormouse's story&/title&
&a class="sister" href="/elsie" id="link1"&Elsie&/a&
&a class="sister" href="/elsie" id="link1"&Elsie&/a&
上面的 title a 等等 HTML 标签加上里面包括的内容就是 Tag，下面我们来感受一下怎样用 Beautiful Soup 来方便地获取 Tags
下面每一段代码中注释部分即为运行结果
print soup.title
#&title&The Dormouse's story&/title&
print soup.title#&title&The Dormouse's story&/title&
print soup.head
#&head&&title&The Dormouse's story&/title&&/head&
print soup.head#&head&&title&The Dormouse's story&/title&&/head&
print soup.a
#&a class="sister" href="/elsie" id="link1"&&!-- Elsie --&&/a&
print soup.a#&a class="sister" href="/elsie" id="link1"&&!-- Elsie --&&/a&
print soup.p
#&p class="title" name="dromouse"&&b&The Dormouse's story&/b&&/p&
print soup.p#&p class="title" name="dromouse"&&b&The Dormouse's story&/b&&/p&
我们可以利用 soup加标签名轻松地获取这些标签的内容，是不是感觉比正则表达式方便多了？不过有一点是，它查找的是在所有内容中的第一个符合要求的标签，如果要查询所有的标签，我们在后面进行介绍。
我们可以验证一下这些对象的类型
print type(soup.a)
#&class 'bs4.element.Tag'&
print type(soup.a)#&class 'bs4.element.Tag'&
对于 Tag，它有两个重要的属性，是 name 和 attrs，下面我们分别来感受一下
print soup.name
print soup.head.name
#[document]
print soup.nameprint soup.head.name#[document]#head
soup 对象本身比较特殊，它的 name 即为 [document]，对于其他内部标签，输出的值便为标签本身的名称。
print soup.p.attrs
#{'class': ['title'], 'name': 'dromouse'}
print soup.p.attrs#{'class': ['title'], 'name': 'dromouse'}
在这里，我们把 p 标签的所有属性打印输出了出来，得到的类型是一个字典。
如果我们想要单独获取某个属性，可以这样，例如我们获取它的 class 叫什么
print soup.p['class']
#['title']
print soup.p['class']#['title']
还可以这样，利用get方法，传入属性的名称，二者是等价的
print soup.p.get('class')
#['title']
print soup.p.get('class')#['title']
我们可以对这些属性和内容等等进行修改，例如
soup.p['class']="newClass"
print soup.p
#&p class="newClass" name="dromouse"&&b&The Dormouse's story&/b&&/p&
soup.p['class']="newClass"print soup.p#&p class="newClass" name="dromouse"&&b&The Dormouse's story&/b&&/p&
还可以对这个属性进行删除，例如
del soup.p['class']
print soup.p
#&p name="dromouse"&&b&The Dormouse's story&/b&&/p&
del soup.p['class']print soup.p#&p name="dromouse"&&b&The Dormouse's story&/b&&/p&
不过，对于修改删除的操作，不是我们的主要用途，在此不做详细介绍了，如果有需要，请查看前面提供的官方文档
（2）NavigableString
既然我们已经得到了标签的内容，那么问题来了，我们要想获取标签内部的文字怎么办呢？很简单，用 .string 即可，例如
print soup.p.string
#The Dormouse's story
print soup.p.string#The Dormouse's story
这样我们就轻松获取到了标签里面的内容，想想如果用正则表达式要多麻烦。它的类型是一个 NavigableString，翻译过来叫 可以遍历的字符串，不过我们最好还是称它英文名字吧。
来检查一下它的类型
print type(soup.p.string)
#&class 'bs4.element.NavigableString'&
print type(soup.p.string)#&class 'bs4.element.NavigableString'&
（3）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，是一个特殊的 Tag，我们可以分别获取它的类型，名称，以及属性来感受一下
print type(soup.name)
#&type 'unicode'&
print soup.name
# [document]
print soup.attrs
#{} 空字典
print type(soup.name)#&type 'unicode'&print soup.name # [document]print soup.attrs #{} 空字典
（4）Comment
Comment 对象是一个特殊类型的 NavigableString 对象，其实输出的内容仍然不包括注释符号，但是如果不好好处理它，可能会对我们的文本处理造成意想不到的麻烦。
我们找一个带注释的标签
print soup.a
print soup.a.string
print type(soup.a.string)
print soup.aprint soup.a.stringprint type(soup.a.string)
运行结果如下
&a class="sister" href="/elsie" id="link1"&&!-- Elsie --&&/a&
&class 'ment'&
&a class="sister" href="/elsie" id="link1"&&!-- Elsie --&&/a& Elsie &class 'ment'&
a 标签里的内容实际上是注释，但是如果我们利用 .string 来输出它的内容，我们发现它已经把注释符号去掉了，所以这可能会给我们带来不必要的麻烦。
另外我们打印输出下它的类型，发现它是一个 Comment 类型，所以，我们在使用前最好做一下判断，判断代码如下
if type(soup.a.string)==ment:
print soup.a.string
if type(soup.a.string)==bs4.element.Comment:&&&&print soup.a.string
上面的代码中，我们首先判断了它的类型，是否为 Comment 类型，然后再进行其他操作，如打印输出。
6. 遍历文档树
（1）直接子节点
要点：.contents
tag 的 .content 属性可以将tag的子节点以列表的方式输出
print soup.head.contents
#[&title&The Dormouse's story&/title&]
print soup.head.contents #[&title&The Dormouse's story&/title&]
输出方式为列表，我们可以用列表索引来获取它的某一个元素
print soup.head.contents[0]
#&title&The Dormouse's story&/title&
print soup.head.contents[0]#&title&The Dormouse's story&/title&
它返回的不是一个 list，不过我们可以通过遍历获取所有子节点。
我们打印输出 .children 看一下，可以发现它是一个 list 生成器对象
print soup.head.children
#&listiterator object at 0x7f&
print soup.head.children#&listiterator object at 0x7f&
我们怎样获得里面的内容呢？很简单，遍历一下就好了，代码及结果如下
for child in
soup.body.children:
print child
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
and their names were
&a class="sister" href="/elsie" id="link1"&&!-- Elsie --&&/a&,
&a class="sister" href="/lacie" id="link2"&Lacie&/a& and
&a class="sister" href="/tillie" id="link3"&Tillie&/a&;
and they lived at the bottom of a well.&/p&
&p class="story"&...&/p&
&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="/elsie" id="link1"&&!-- Elsie --&&/a&,&a class="sister" href="/lacie" id="link2"&Lacie&/a& and
（2）所有子孙节点
知识点：.descendants 属性
.descendants
.contents 和 .children 属性仅包含tag的直接子节点，.descendants 属性可以对所有tag的子孙节点进行递归循环，和 children类似，我们也需要遍历获取其中的内容。
for child in soup.descendants:
print child
for child in soup.descendants:&&&&print child
运行结果如下，可以发现，所有的节点都被打印出来了，先生最外层的 HTML标签，其次从 head 标签一个个剥离，以此类推。
&html&&head&&title&The Dormouse's story&/title&&/head&
&p class="title" name="dromouse"&&b&The Dormouse's story&/b&&/p&
&p class="story"&Once upon a time there were
and their names were
&a class="sister" href="/elsie" id="link1"&&!-- Elsie --&&/a&,
&a class="sister" href="/lacie" id="link2"&Lacie&/a& and
&a class="sister" href="/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&/title&&/head&
&title&The Dormouse's story&/title&
The Dormouse's story
&p class="title" name="dromouse"&&b&The Dormouse's story&/b&&/p&
&p class="story"&Once upon a time there were
and their names were
&a class="sister" href="/elsie" id="link1"&&!-- Elsie --&&/a&,
&a class="sister" href="/lacie" id="link2"&Lacie&/a& and
&a class="sister" href="/tillie" id="link3"&Tillie&/a&;
and they lived at the bottom of a well.&/p&
&p class="story"&...&/p&
&p class="title" name="dromouse"&&b&The Dormouse's story&/b&&/p&
&b&The Dormouse's story&/b&
The Dormouse's story
&p class="story"&Once upon a time there were
and their names were
&a class="sister" href="/elsie" id="link1"&&!-- Elsie --&&/a&,
&a class="sister" href="/lacie" id="link2"&Lacie&/a& and
&a class="sister" href="/tillie" id="link3"&Tillie&/a&;
and they lived at the bottom of a well.&/p&
Once upon a time there were
and their names were
&a class="sister" href="/elsie" id="link1"&&!-- Elsie --&&/a&
&a class="sister" href="/lacie" id="link2"&Lacie&/a&
&a class="sister" href="/tillie" id="link3"&Tillie&/a&
and they lived at the bottom of a well.
&p class="story"&...&/p&
&html&&head&&title&The Dormouse's story&/title&&/head&&body&&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="/elsie" id="link1"&&!-- Elsie --&&/a&,
（3）节点内容
知识点：.string 属性
如果tag只有一个 NavigableString 类型子节点,那么这个tag可以使用 .string 得到子节点。如果一个tag仅有一个子节点,那么这个tag也可以使用 .string 方法,输出结果与当前唯一子节点的 .string 结果相同。
通俗点说就是：如果一个标签里面没有标签了，那么 .string 就会返回标签里面的内容。如果标签里面只有唯一的一个标签了，那么 .string 也会返回最里面的内容。例如
print soup.head.string
#The Dormouse's story
print soup.title.string
#The Dormouse's story
print soup.head.string#The Dormouse's storyprint soup.title.string#The Dormouse's story
如果tag包含了多个子节点,tag就无法确定，string 方法应该调用哪个子节点的内容, .string 的输出结果是 None
print soup.html.string
print soup.html.string# None
（4）多个内容
知识点： .strings
.stripped_strings 属性
获取多个内容，不过需要遍历获取，比如下面的例子
for string in soup.strings:
print(repr(string))
# u"The Dormouse's story"
# u"The Dormouse's story"
# u'Once upon a time there were
and their names were\n'
# u'Elsie'
# u'Lacie'
# u' and\n'
# u'Tillie'
# u';\nand they lived at the bottom of a well.'
12345678910111213141516
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
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
输出的字符串中可能包含了很多空格或空行,使用 .stripped_strings 可以去除多余空白内容
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
and their names were'
# u'Elsie'
# u'Lacie'
# u'Tillie'
# u';\nand they lived at the bottom of a well.'
123456789101112
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
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）父节点
知识点： .parent 属性
p = soup.p
print p.parent.name
p = soup.pprint p.parent.name#body
content = soup.head.title.string
print content.parent.name
content = soup.head.title.stringprint content.parent.name#title
（6）全部父节点
知识点：.parents 属性
通过元素的 .parents 属性可以递归得到元素的所有父辈节点，例如
content = soup.head.title.string
for parent in
content.parents:
print parent.name
content = soup.head.title.stringfor parent in&&content.parents:&&&&print parent.name
[document]
titleheadhtml[document]
（7）兄弟节点
知识点：.next_sibling
.previous_sibling 属性
兄弟节点可以理解为和本节点处在统一级的节点，.next_sibling 属性获取了该节点的下一个兄弟节点，.previous_sibling 则与之相反，如果节点不存在，则返回 None
注意：实际文档中的tag的 .next_sibling 和 .previous_sibling 属性通常是字符串或空白，因为空白或者换行也可以被视作一个节点，所以得到的结果可能是空白或者换行
print soup.p.next_sibling
实际该处为空白
print soup.p.prev_sibling
没有前一个兄弟节点，返回 None
print soup.p.next_sibling.next_sibling
#&p class="story"&Once upon a time there were
and their names were
#&a class="sister" href="/elsie" id="link1"&&!-- Elsie --&&/a&,
#&a class="sister" href="/lacie" id="link2"&Lacie&/a& and
#&a class="sister" href="/tillie" id="link3"&Tillie&/a&;
#and they lived at the bottom of a well.&/p&
#下一个节点的下一个兄弟节点是我们可以看到的节点
1234567891011
print soup.p.next_sibling#&&&&&& 实际该处为空白print soup.p.prev_sibling#None&& 没有前一个兄弟节点，返回 Noneprint soup.p.next_sibling.next_sibling#&p class="story"&Once upon a time there were
and their names were#&a class="sister" href="/elsie" id="link1"&&!-- Elsie --&&/a&,#&a class="sister" href="/lacie" id="link2"&Lacie&/a& and#&a class="sister" href="/tillie" id="link3"&Tillie&/a&;#and they lived at the bottom of a well.&/p&#下一个节点的下一个兄弟节点是我们可以看到的节点
（8）全部兄弟节点
知识点：.next_siblings
.previous_siblings 属性
通过 .next_siblings 和 .previous_siblings 属性可以对当前节点的兄弟节点迭代输出
for sibling in soup.a.next_siblings:
print(repr(sibling))
# &a class="sister" href="/lacie" id="link2"&Lacie&/a&
# u' and\n'
# &a class="sister" href="/tillie" id="link3"&Tillie&/a&
# u'; and they lived at the bottom of a well.'
for sibling in soup.a.next_siblings:&&&&print(repr(sibling))&&&&# u',\n'&&&&# &a class="sister" href="/lacie" id="link2"&Lacie&/a&&&&&# u' and\n'&&&&# &a class="sister" href="/tillie" id="link3"&Tillie&/a&&&&&# u'; and they lived at the bottom of a well.'&&&&# None
（9）前后节点
知识点：.next_element
.previous_element 属性
与 .next_sibling
.previous_sibling 不同，它并不是针对于兄弟节点，而是在所有节点，不分层次
比如 head 节点为
&head&&title&The Dormouse's story&/title&&/head&
&head&&title&The Dormouse's story&/title&&/head&
那么它的下一个节点便是 title，它是不分层次关系的
print soup.head.next_element
#&title&The Dormouse's story&/title&
print soup.head.next_element#&title&The Dormouse's story&/title&
（10）所有前后节点
知识点：.next_elements
.previous_elements 属性
通过 .next_elements 和 .previous_elements 的迭代器就可以向前或向后访问文档的解析内容,就好像文档正在被解析一样
for element in last_a_tag.next_elements:
print(repr(element))
# u'Tillie'
# u';\nand they lived at the bottom of a well.'
# &p class="story"&...&/p&
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'# &p class="story"&...&/p&# u'...'# u'\n'# None
以上是遍历文档树的基本用法。
7.搜索文档树
（1）find_all( name , attrs , recursive , text , **kwargs )
find_all() 方法搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件
1）name 参数
name 参数可以查找所有名字为 name 的tag,字符串对象会被自动忽略掉
A.传字符串
最简单的过滤器是字符串.在搜索方法中传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容,下面的例子用于查找文档中所有的&b&标签
soup.find_all('b')
# [&b&The Dormouse's story&/b&]
soup.find_all('b')# [&b&The Dormouse's story&/b&]
print soup.find_all('a')
#[&a class="sister" href="/elsie" id="link1"&&!-- Elsie --&&/a&, &a class="sister" href="/lacie" id="link2"&Lacie&/a&, &a class="sister" href="/tillie" id="link3"&Tillie&/a&]
print soup.find_all('a')#[&a class="sister" href="/elsie" id="link1"&&!-- Elsie --&&/a&, &a class="sister" href="/lacie" id="link2"&Lacie&/a&, &a class="sister" href="/tillie" id="link3"&Tillie&/a&]
B.传正则表达式
如果传入正则表达式作为参数,Beautiful Soup会通过正则表达式的 match() 来匹配内容.下面例子中找出所有以b开头的标签,这表示&body&和&b&标签都应该被找到
for tag in soup.find_pile("^b")):
print(tag.name)
import refor tag in soup.find_all(re.compile("^b")):&&&&print(tag.name)# body# b
如果传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回.下面代码找到文档中所有&a&标签和&b&标签
soup.find_all(["a", "b"])
# [&b&The Dormouse's story&/b&,
&a class="sister" href="/elsie" id="link1"&Elsie&/a&,
&a class="sister" href="/lacie" id="link2"&Lacie&/a&,
&a class="sister" href="/tillie" id="link3"&Tillie&/a&]
soup.find_all(["a", "b"])# [&b&The Dormouse's story&/b&,#&&&a class="sister" href="/elsie" id="link1"&Elsie&/a&,#&&&a class="sister" href="/lacie" id="link2"&Lacie&/a&,#&&&a class="sister" href="/tillie" id="link3"&Tillie&/a&]
True 可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点
for tag in soup.find_all(True):
print(tag.name)
1234567891011
for tag in soup.find_all(True):&&&&print(tag.name)# html# head# title# body# p# b# p# a# a
如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数
,如果这个方法返回 True 表示当前元素匹配并且被找到,如果不是则反回 False
下面方法校验了当前元素,如果包含 class 属性却不包含 id 属性,那么将返回 True:
def has_class_but_no_id(tag):
return tag.has_attr('class') and not tag.has_attr('id')
def has_class_but_no_id(tag):&&&&return tag.has_attr('class') and not tag.has_attr('id')
将这个方法作为参数传入 find_all() 方法,将得到所有&p&标签:
soup.find_all(has_class_but_no_id)
# [&p class="title"&&b&The Dormouse's story&/b&&/p&,
&p class="story"&Once upon a time there were...&/p&,
&p class="story"&...&/p&]
soup.find_all(has_class_but_no_id)# [&p class="title"&&b&The Dormouse's story&/b&&/p&,#&&&p class="story"&Once upon a time there were...&/p&,#&&&p class="story"&...&/p&]
2）keyword 参数
注意：如果一个指定名字的参数不是搜索内置的参数名,搜索时会把该参数当作指定名字tag的属性来搜索,如果包含一个名字为 id 的参数,Beautiful Soup会搜索每个tag的”id”属性
soup.find_all(id='link2')
# [&a class="sister" href="/lacie" id="link2"&Lacie&/a&]
soup.find_all(id='link2')# [&a class="sister" href="/lacie" id="link2"&Lacie&/a&]
如果传入 href 参数,Beautiful Soup会搜索每个tag的”href”属性
soup.find_all(pile("elsie"))
# [&a class="sister" href="/elsie" id="link1"&Elsie&/a&]
soup.find_all(href=re.compile("elsie"))# [&a class="sister" href="/elsie" id="link1"&Elsie&/a&]
使用多个指定名字的参数可以同时过滤tag的多个属性
soup.find_all(pile("elsie"), id='link1')
# [&a class="sister" href="/elsie" id="link1"&three&/a&]
soup.find_all(href=re.compile("elsie"), id='link1')# [&a class="sister" href="/elsie" id="link1"&three&/a&]
在这里我们想用 class 过滤，不过 class 是 python 的关键词，这怎么办？加个下划线就可以
soup.find_all("a", class_="sister")
# [&a class="sister" href="/elsie" id="link1"&Elsie&/a&,
&a class="sister" href="/lacie" id="link2"&Lacie&/a&,
&a class="sister" href="/tillie" id="link3"&Tillie&/a&]
soup.find_all("a", class_="sister")# [&a class="sister" href="/elsie" id="link1"&Elsie&/a&,#&&&a class="sister" href="/lacie" id="link2"&Lacie&/a&,#&&&a class="sister" href="/tillie" id="link3"&Tillie&/a&]
有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性
data_soup = BeautifulSoup('&div data-foo="value"&foo!&/div&')
data_soup.find_all(data-foo="value")
# SyntaxError: keyword can't be an expression
data_soup = BeautifulSoup('&div data-foo="value"&foo!&/div&')data_soup.find_all(data-foo="value")# SyntaxError: keyword can't be an expression
但是可以通过 find_all() 方法的 attrs 参数定义一个字典参数来搜索包含特殊属性的tag
data_soup.find_all(attrs={"data-foo": "value"})
# [&div data-foo="value"&foo!&/div&]
data_soup.find_all(attrs={"data-foo": "value"})# [&div data-foo="value"&foo!&/div&]
3）text 参数
通过 text 参数可以搜搜文档中的字符串内容.与 name 参数的可选值一样, text 参数接受 字符串 , 正则表达式 , 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(pile("Dormouse"))
[u"The Dormouse's story", u"The Dormouse's story"]
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 参数
find_all() 方法返回全部的搜索结构,如果文档树很大那么搜索会很慢.如果我们不需要全部结果,可以使用 limit 参数限制返回结果的数量.效果与SQL中的limit关键字类似,当搜索到的结果数量达到 limit 的限制时,就停止搜索返回结果.
文档树中有3个tag符合搜索条件,但结果只返回了2个,因为我们限制了返回数量
soup.find_all("a", limit=2)
# [&a class="sister" href="/elsie" id="link1"&Elsie&/a&,
&a class="sister" href="/lacie" id="link2"&Lacie&/a&]
soup.find_all("a", limit=2)# [&a class="sister" href="/elsie" id="link1"&Elsie&/a&,#&&&a class="sister" href="/lacie" id="link2"&Lacie&/a&]
5）recursive 参数
调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False .
一段简单的文档:
The Dormouse's story
&html& &head&&&&title&&& The Dormouse's story&&&/title& &/head&...
是否使用 recursive 参数的搜索结果:
soup.html.find_all("title")
# [&title&The Dormouse's story&/title&]
soup.html.find_all("title", recursive=False)
soup.html.find_all("title")# [&title&The Dormouse's story&/title&]&soup.html.find_all("title", recursive=False)# []
（2）find( name , attrs , recursive , text , **kwargs )
它与 find_all() 方法唯一的区别是 find_all() 方法的返回结果是值包含一个元素的列表,而 find() 方法直接返回结果
（3）find_parents()
find_parent()
find_all() 和 find() 只搜索当前节点的所有子节点,孙子节点等. find_parents() 和 find_parent() 用来搜索当前节点的父辈节点,搜索方法与普通tag的搜索方法相同,搜索文档搜索文档包含的内容
（4）find_next_siblings()
find_next_sibling()
这2个方法通过 .next_siblings 属性对当 tag 的所有后面解析的兄弟 tag 节点进行迭代, find_next_siblings() 方法返回所有符合条件的后面的兄弟节点,find_next_sibling() 只返回符合条件的后面的第一个tag节点
（5）find_previous_siblings()
find_previous_sibling()
这2个方法通过 .previous_siblings 属性对当前 tag 的前面解析的兄弟 tag 节点进行迭代, find_previous_siblings() 方法返回所有符合条件的前面的兄弟节点, find_previous_sibling() 方法返回第一个符合条件的前面的兄弟节点
（6）find_all_next()
find_next()
这2个方法通过 .next_elements 属性对当前 tag 的之后的 tag 和字符串进行迭代, find_all_next() 方法返回所有符合条件的节点, find_next() 方法返回第一个符合条件的节点
（7）find_all_previous() 和 find_previous()
这2个方法通过 .previous_elements 属性对当前节点前面的 tag 和字符串进行迭代, find_all_previous() 方法返回所有符合条件的节点, find_previous()方法返回第一个符合条件的节点
注：以上（2）（3）（4）（5）（6）（7）方法参数用法与 find_all() 完全相同，原理均类似，在此不再赘述。
8.CSS选择器
我们在写 CSS 时，标签名不加任何修饰，类名前加点，id名前加 #，在这里我们也可以利用类似的方法来筛选元素，用到的方法是 soup.select()，返回类型是 list
（1）通过标签名查找
print soup.select('title')
#[&title&The Dormouse's story&/title&]
print soup.select('title') #[&title&The Dormouse's story&/title&]
print soup.select('a')
#[&a class="sister" href="/elsie" id="link1"&&!-- Elsie --&&/a&, &a class="sister" href="/lacie" id="link2"&Lacie&/a&, &a class="sister" href="/tillie" id="link3"&Tillie&/a&]
print soup.select('a')#[&a class="sister" href="/elsie" id="link1"&&!-- Elsie --&&/a&, &a class="sister" href="/lacie" id="link2"&Lacie&/a&, &a class="sister" href="/tillie" id="link3"&Tillie&/a&]
print soup.select('b')
#[&b&The Dormouse's story&/b&]
print soup.select('b')#[&b&The Dormouse's story&/b&]
（2）通过类名查找
print soup.select('.sister')
#[&a class="sister" href="/elsie" id="link1"&&!-- Elsie --&&/a&, &a class="sister" href="/lacie" id="link2"&Lacie&/a&, &a class="sister" href="/tillie" id="link3"&Tillie&/a&]
print soup.select('.sister')#[&a class="sister" href="/elsie" id="link1"&&!-- Elsie --&&/a&, &a class="sister" href="/lacie" id="link2"&Lacie&/a&, &a class="sister" href="/tillie" id="link3"&Tillie&/a&]
（3）通过 id 名查找
print soup.select('#link1')
#[&a class="sister" href="/elsie" id="link1"&&!-- Elsie --&&/a&]
print soup.select('#link1')#[&a class="sister" href="/elsie" id="link1"&&!-- Elsie --&&/a&]
（4）组合查找
组合查找即和写 class 文件时，标签名与类名、id名进行的组合原理是一样的，例如查找 p 标签中，id 等于 link1的内容，二者需要用空格分开
print soup.select('p #link1')
#[&a class="sister" href="/elsie" id="link1"&&!-- Elsie --&&/a&]
print soup.select('p #link1')#[&a class="sister" href="/elsie" id="link1"&&!-- Elsie --&&/a&]
直接子标签查找
print soup.select("head & title")
#[&title&The Dormouse's story&/title&]
print soup.select("head & title")#[&title&The Dormouse's story&/title&]
（5）属性查找
查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到。
print soup.select('a[class="sister"]')
#[&a class="sister" href="/elsie" id="link1"&&!-- Elsie --&&/a&, &a class="sister" href="/lacie" id="link2"&Lacie&/a&, &a class="sister" href="/tillie" id="link3"&Tillie&/a&]
print soup.select('a[class="sister"]')#[&a class="sister" href="/elsie" id="link1"&&!-- Elsie --&&/a&, &a class="sister" href="/lacie" id="link2"&Lacie&/a&, &a class="sister" href="/tillie" id="link3"&Tillie&/a&]
print soup.select('a[href="/elsie"]')
#[&a class="sister" href="/elsie" id="link1"&&!-- Elsie --&&/a&]
print soup.select('a[href="/elsie"]')#[&a class="sister" href="/elsie" id="link1"&&!-- Elsie --&&/a&]
同样，属性仍然可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格
print soup.select('p a[href="/elsie"]')
#[&a class="sister" href="/elsie" id="link1"&&!-- Elsie --&&/a&]
print soup.select('p a[href="/elsie"]')#[&a class="sister" href="/elsie" id="link1"&&!-- Elsie --&&/a&]
以上的 select 方法返回的结果都是列表形式，可以遍历形式输出，然后用 get_text() 方法来获取它的内容。
soup = BeautifulSoup(html, 'lxml')
print type(soup.select('title'))
print soup.select('title')[0].get_text()
for title in soup.select('title'):
print title.get_text()
soup = BeautifulSoup(html, 'lxml')print type(soup.select('title'))print soup.select('title')[0].get_text()&for title in soup.select('title'):&&&&print title.get_text()
好，这就是另一种与 find_all 方法有异曲同工之妙的查找方法，是不是感觉很方便？
本篇内容比较多，把 Beautiful Soup 的方法进行了大部分整理和总结，不过这还不算完全，仍然有 Beautiful Soup 的修改删除功能，不过这些功能用得比较少，只整理了查找提取的方法，希望对大家有帮助！小伙伴们加油！
熟练掌握了 Beautiful Soup，一定会给你带来太多方便，加油吧！
转载请注明： &
or分享 (0)
您的支持是博主写作最大的动力，如果您喜欢我的文章，感觉我的文章对您有帮助，请狠狠点击下面的