Python爬虫利器二之Beautiful Soup的用法-阿里云开发者社区

Python爬虫利器二之Beautiful Soup的用法

2017-11-07 2005

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

本文涉及的产品

公共DNS（含HTTPDNS解析），每月1000万次HTTP解析

全局流量管理 GTM，标准版 1个月

云解析 DNS，旗舰版 1个月

简介：

http://cuiqingcai.com/1319.html

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

   
        1
       
        easy_install beautifulsoup4

   
        1
       
        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

Beautiful Soup 3.2.1 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

   
        1
       
        sudo python setup.py install

然后需要安装 lxml

   
        1
       
        easy_install lxml

   
        1
       
        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:

   
        1
       
        easy_install html5lib

   
        1
       
        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”>

解析器	使用方法	优势	劣势
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”)	速度快文档容错能力强	需要安装C语言库
lxml XML 解析器	BeautifulSoup(markup, [“lxml”, “xml”])BeautifulSoup(markup, “xml”)	速度快唯一支持XML的解析器	需要安装C语言库
html5lib	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	速度慢不依赖外部扩展

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。

官方文档

4. 创建 Beautiful Soup 对象

首先必须要导入 bs4 库

   
        1
       
        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

   
        1
       
        2
       
        3
       
        4
       
        5
       
        6
       
        7
       
        8
       
        9
       
        10
       
        11
       
        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 three little sisters; and their names were
       
        <a href="http://example.com/elsie" class="sister" id="link1"><!-- Elsie --></a>,
       
        <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
       
        <a href="http://example.com/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

   
        1
       
        soup = BeautifulSoup(html)

另外，我们还可以用本地 HTML 文件来创建对象，例如

   
        1
       
        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

   
        1
       
        print soup.prettify()

   
        1
       
        2
       
        3
       
        4
       
        5
       
        <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:

Tag
NavigableString
BeautifulSoup
Comment

下面我们进行一一介绍

（1）Tag

Tag 是什么？通俗点讲就是 HTML 中的一个个标签，例如

   
  本文转自茄子_2008博客园博客，原文链接：，如需转载请自行联系原作者。

Python爬虫利器二之Beautiful Soup的用法

1. Beautiful Soup的简介

2. Beautiful Soup 安装

3. 开启Beautiful Soup 之旅

4. 创建 Beautiful Soup 对象

5. 四大对象种类

（1）Tag

热门文章

最新文章

相关课程

相关电子书

相关实验场景

推荐镜像

热门

活动广场

任务中心

开发者评测

高校计划

乘风者计划

训练营

阿里云MVP

话题

直播

下载

镜像站

技术资料

插件

Python爬虫利器二之Beautiful Soup的用法

1. Beautiful Soup的简介

2. Beautiful Soup 安装

3. 开启Beautiful Soup 之旅

4. 创建 Beautiful Soup 对象

5. 四大对象种类

（1）Tag

热门文章

最新文章

相关课程

相关电子书

相关实验场景

推荐镜像