BeautifulSoup-使用指北-0x03搜索解析树

29次阅读

共计 16348 个字符，预计需要花费 41 分钟才能阅读完成。

GitHub@orca-j35，所有笔记均托管于 python_notes 仓库。
欢迎任何形式的转载，但请务必注明出处。
参考: https://www.crummy.com/softwa…

概述

BeautifulSoup 中定义了许多搜索解析树的方法，但这些方法都非常类似，它们大多采用与 find_all() 相同的参数: name、attrs、string、limit 和 **kwargs，但是仅有 find() 和 find_all() 支持 recursive 参数。

这里着重介绍 find() 和 find_all()，其它 ” 搜索方法 ” 也这两个类似。

Three sisters

本节会以 “three sister” 作为示例:

html_doc = """
<html>
<head>
    <title>The Dormouse's story</title>
</head>
<body>
    <p class="title"><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>
"""
from pprint import pprint
from bs4 import BeautifulSoup
import re

soup = BeautifulSoup(html_doc, 'html.parser')

过滤器

过滤器 (filter) 用于在解析树中筛选目标节点，被用作 ” 搜索方法 ” 的实参。

字符串

字符串可用作过滤器，BeautifulSoup 可利用字符串来筛选节点，并保留符合条件节点:

  • 使用字符串筛选 tag 时，会保留与字符串同名 tag 节点，且总会过滤掉 HTML 文本节点
  • 使用字符串筛选 HTML 属性时，会保留属性值与字符串相同的 tag 节点，且总会过滤掉 HTML 文本节点
  • 使用字符串筛选 HTML 文本时，会保留与字符串相同的文本节点

与 str 字符串类似，我们还可将 bytes 对象用作过滤器，区别在于 BeautifulSoup 会假定编码模式为 UTF-8。

示例:

soup = BeautifulSoup(html_doc, 'html.parser')
# 查找名为 b 的 tag 节点
print([f"{type(i)}::{i.name}" for i in soup.find_all('b')])
print([f"{type(i)}::{i.name}" for i in soup.find_all(b'b')])
# 查找 id 值为 link1 的 tag 节点
print([f"{type(i)}::{i.name}" for i in soup.find_all(id='link1')])
# 查找文本值为 Elsie 的文本节点
print([f"{type(i)}::{i.name}" for i in soup.find_all(text='Elsie')])

输出:

["<class'bs4.element.Tag'>::b"]
["<class'bs4.element.Tag'>::b"]
["<class'bs4.element.Tag'>::a"]
["<class'bs4.element.NavigableString'>::None"]

正则表达式

正则表达式对象可用作过滤器，BeautifulSoup 会利用正则表达式对象的 search() 方法来筛选节点，并保留符合条件节点:

  • 使用正则表达式对象筛选 tag 时，会利用正则表达式的 search() 方法来筛选 tag 节点的名称，并保留符合条件的 tag 节点。因为文本节点的 .name 属性值为 None，因此总会过滤掉 HTML 文本节点
  • 使用正则表达式对象筛选 HTML 属性时，会利用正则表达式的 search() 方法来筛选指定属性的值，并保留符合条件的 tag 节点。因为文本节点不包含任何 HTML 属性，因此总会过滤掉 HTML 文本节点
  • 使用正则表达式对象筛选 HTML 文本时，会利用正则表达式的 search() 方法来筛选文本节点，并保留符合条件的文本节点。

示例:

import re

soup = BeautifulSoup(html_doc, 'html.parser')
# 查找名称中包含字母 b 的节点
print([f"{type(i)}::{i.name}" for i in soup.find_all(re.compile(r'b'))])
# 查找 class 值以 t 开头的 tag
print([f"{type(i)}::{i.name}" for i in soup.find_all(class_=re.compile(r'^t'))])
# 查找文本值以 E 开头的文本节点
print([f"{type(i)}::{i.name}" for i in soup.find_all(text=re.compile(r'^E'))])

输出:

["<class'bs4.element.Tag'>::body", "<class'bs4.element.Tag'>::b"]
["<class'bs4.element.Tag'>::p"]
["<class'bs4.element.NavigableString'>::None"]

列表

列表 list 可用作过滤器，列表中的项可以是:

  • 字符串
  • 正则表达式对象
  • 可调用对象，详见 函数

BeautifulSoup 会利用列表中的项来筛选节点，并保留符合条件节点:

  • 使用列表筛选 tag 时，若 tag 名与列表中的某一项匹配，则会保留该 tag 节点，且总会过滤掉 HTML 文本节点
  • 使用列表筛选 HTML 属性时，若属性值与列表中的某一项匹配，则会保留该 tag 节点，且总会过滤掉 HTML 文本节点
  • 使用列表筛选 HTML 文本时，若文本与列表中的某一项匹配，则会保留该文本节点

示例

import re
def func(tag):
    return tag.get('id') == "link1"

soup = BeautifulSoup(html_doc, 'html.parser')
# 查找与列表匹配的 tag 节点
tag = soup.find_all(['title', re.compile('b$'), func])
pprint([f"{type(i)}::{i.name}" for i in tag])
pprint([f"{type(i)}::{i.name}" for i in soup.find_all(text=["Elsie", "Tillie"])])

输出:

["<class'bs4.element.Tag'>::title",
 "<class'bs4.element.Tag'>::b",
 "<class'bs4.element.Tag'>::a"]
["<class'bs4.element.NavigableString'>::None",
 "<class'bs4.element.NavigableString'>::None"]

True

布尔值 True 可用作过滤器:

  • 使用 True 筛选 tag 时，会保留所有 tag 节点，且过滤掉所有 HTML 文本节点
  • 使用 True 筛选 HTML 属性时，会保留所有具备该属性的 tag 节点，且过滤掉所有 HTML 文本节点
  • 使用 True 筛选 HTML 文本时，会保留所有文本节点
soup = BeautifulSoup(html_doc, 'html.parser')
pprint([f"{type(i)}::{i.name}" for i in soup.find_all(True)])
pprint([f"{type(i)}::{i.name}" for i in soup.find_all(id=True)])
pprint([f"{type(i)}::{i.name}" for i in soup.find_all(text=True)])

输出:

["<class'bs4.element.Tag'>::html",
 "<class'bs4.element.Tag'>::head",
 "<class'bs4.element.Tag'>::title",
 "<class'bs4.element.Tag'>::body",
 "<class'bs4.element.Tag'>::p",
 "<class'bs4.element.Tag'>::b",
 "<class'bs4.element.Tag'>::p",
 "<class'bs4.element.Tag'>::a",
 "<class'bs4.element.Tag'>::a",
 "<class'bs4.element.Tag'>::a",
 "<class'bs4.element.Tag'>::p"]
["<class'bs4.element.Tag'>::a",
 "<class'bs4.element.Tag'>::a",
 "<class'bs4.element.Tag'>::a"]
["<class'bs4.element.NavigableString'>::None",
 "<class'bs4.element.NavigableString'>::None",
 "<class'bs4.element.NavigableString'>::None",
 "<class'bs4.element.NavigableString'>::None",
 "<class'bs4.element.NavigableString'>::None",
 "<class'bs4.element.NavigableString'>::None",
 "<class'bs4.element.NavigableString'>::None",
 "<class'bs4.element.NavigableString'>::None",
 "<class'bs4.element.NavigableString'>::None",
 "<class'bs4.element.NavigableString'>::None",
 "<class'bs4.element.NavigableString'>::None",
 "<class'bs4.element.NavigableString'>::None",
 "<class'bs4.element.NavigableString'>::None",
 "<class'bs4.element.NavigableString'>::None",
 "<class'bs4.element.NavigableString'>::None",
 "<class'bs4.element.NavigableString'>::None",
 "<class'bs4.element.NavigableString'>::None",
 "<class'bs4.element.NavigableString'>::None",
 "<class'bs4.element.NavigableString'>::None"]

函数

过滤器可以是某个函数(或任何可调用对象):

  • 以 tag 节点为筛选对象时，过滤器函数需以 tag 节点作为参数，如果函数返回 True，则保留该 tag 节点，否则抛弃该节点。

    示例 – 筛选出含 class 属性，但不含 id 属性的 tag 节点:

    def has_class_but_no_id(tag):
    # Here’s a function that returns True if a tag defines the“class”attribute but doesn’t define the“id”attribute
    return tag.has_attr('class') and not tag.has_attr('id')


soup = BeautifulSoup(html_doc, 'html.parser')
tag = soup.find_all(has_class_but_no_id)
pprint([f"{type(i)}::{i.name}" for i in tag])

    输出:

    ["<class'bs4.element.Tag'>::p",
 "<class'bs4.element.Tag'>::p",
 "<class'bs4.element.Tag'>::p"]

  • 针对 HTML 属性进行筛选时，过滤函数需以属性值作为参数，而非整个 tag 节点。如果 tag 节点包含目标属性，则会向过滤函数传递 None，否则传递实际值。如果函数返回 True，则保留该 tag 节点，否则抛弃该节点。

    def not_lacie(href):
    # Here’s a function that finds all a tags whose href attribute does not match a regular expression
    return href and not re.compile("lacie").search(href)


soup = BeautifulSoup(html_doc, 'html.parser')
tag = soup.find_all(href=not_lacie)
for i in tag:
    print(f"{type(i)}::{i.name}::{i}")

    输出:

    <class 'bs4.element.Tag'>::a::<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
<class 'bs4.element.Tag'>::a::<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>

  • 针对 HTML 文本进行筛选时，过滤需以文本值作为参数，而非整个 tag 节点。如果函数返回 True，则保留该 tag 节点，否则抛弃该节点。

    def func(text):
    return text == "Lacie"

soup = BeautifulSoup(html_doc, 'html.parser')
print([f"{type(i)}::{i}" for i in soup.find_all(text=func)])

    输出:

    ["<class'bs4.element.NavigableString'>::Lacie"]

过滤函数可以被设计的非常复杂，比如:

html_doc = """<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><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>
"""

def surrounded_by_strings(tag):
    # returns True if a tag is surrounded by string objects
    return (isinstance(tag.next_element, NavigableString)
            and isinstance(tag.previous_element, NavigableString))

soup = BeautifulSoup(html_doc, 'html.parser')
tag = soup.find_all(surrounded_by_strings)
pprint([f"{type(i)}::{i.name}" for i in tag])
# 注意空白符对输出结果的影响

输出:

["<class'bs4.element.Tag'>::body",
 "<class'bs4.element.Tag'>::p",
 "<class'bs4.element.Tag'>::a",
 "<class'bs4.element.Tag'>::a",
 "<class'bs4.element.Tag'>::a",
 "<class'bs4.element.Tag'>::p"]

find_all()????

????find_all(name=None, attrs={}, recursive=True, text=None, limit=None, **kwargs)

该方法会检索当前 tag 对象的所有子孙节点，并提取与给定条件匹配的所有节点对象，然后返回一个包含这些 节点对象 的列表。

name 参数

name 是用来筛选 tag 名称的过滤器，find_all() 会保留与 name 过滤器匹配的 tag 对象。使用 name 参数时，会自动过滤 HTML 文本节点，因为文本节点的 .name 字段为 None。

前面提到的五种过滤器均可用作 name 参数，即字符串、正则表达式、列表、True、函数(可调用对象)。

soup = BeautifulSoup(html_doc, 'html.parser')
print([f"{type(i)}::{i.name}" for i in soup.find_all('title')])
#> ["<class'bs4.element.Tag'>::title"]

**kwargs 参数

函数定义中未包含的关键字参数将被视作 HTML 属性过滤器，find_all() 会保留属性值与 var-keyword 匹配的 tag 对象。使用 var-keyword 时，会自动过滤 HTML 文本节点，因为文本节不含有 HTML 属性。

前面提到的五种过滤器均可用作 var-keyword 的值，即字符串、正则表达式、列表、True、函数(可调用对象)。

soup = BeautifulSoup(html_doc, 'html.parser')
# 搜索 id 值为 link2 的 tag 节点
print([f"{type(i)}::{i.name}" for i in soup.find_all(id='link2')])
# 搜索 href 值以字母 'e' 结尾的 tag 节点
print([f"{type(i)}::{i.name}" for i in soup.find_all(href=re.compile(r"e$"))])
# 搜索具备 id 属性的 tag 节点
print([f"{type(i)}::{i.name}" for i in soup.find_all(id=True)])
# 过滤多个 HTML 属性
print([f"{type(i)}::{i.name}"
    for i in soup.find_all(class_="sister", href=re.compile(r"tillie"))
])

输出:

["<class'bs4.element.Tag'>::a"]
["<class'bs4.element.Tag'>::a", "<class'bs4.element.Tag'>::a", "<class'bs4.element.Tag'>::a"]
["<class'bs4.element.Tag'>::a", "<class'bs4.element.Tag'>::a", "<class'bs4.element.Tag'>::a"]
["<class'bs4.element.Tag'>::a"]

string

var-keyword 参数 string 与 text 参数等效:

soup = BeautifulSoup(html_doc, 'html.parser')
print([f"{type(i)}::{i}" for i in soup.find_all(string=re.compile("sisters"))])
#> ["<class'bs4.element.NavigableString'>::Once upon a time there were three little sisters; and their names were\n"]
print([f"{type(i)}::{i}" for i in soup.find_all(text=re.compile("sisters"))])
#> ["<class'bs4.element.NavigableString'>::Once upon a time there were three little sisters; and their names were\n"]

string 是在 Beautiful Soup 4.4.0 中新加入的，在之前的版本中只能使用 text 参数。

例外

HTML 5 中的部分属性并不符合 Python 的命名规则，不能用作 var-keyword 参数，此时需要使用 attrs 参数来过滤这些属性:

data_soup = BeautifulSoup('<div data-foo="value">foo!</div>')
data_soup.find_all(data-foo="value")
#> SyntaxError: keyword can't be an expression

print([f"{type(i)}::{i.name}"
    for i in data_soup.find_all(attrs={"data-foo": "value"})
])
#> ["<class'bs4.element.Tag'>::div"

var-keyword 参数不能用于过滤 HTML tag 的 name 属性，因为在 find_all() 的函数定义中已占用了变量名 name。如果要过滤 name 属性，可使用 attrs 参数来完成。

soup = BeautifulSoup(html_doc, 'html.parser')
name_soup = BeautifulSoup('<input name="email"/>', 'html.parser')
print([f"{type(i)}::{i.name}" for i in name_soup.find_all(name="email")])
print([f"{type(i)}::{i.name}" for i in name_soup.find_all(attrs={"name": "email"})
])

输出:

[]
["<class'bs4.element.Tag'>::input"]

按 CSS 类搜索

CSS 的 class 属性是 Python 的保留关键字，从 BeautifulSoup 4.1.2 开始，可使用 var-keyword 参数 class_ 来筛选 CSS 的 class 属性。使用 var-keyword 时，会自动过滤 HTML 文本节点，因为文本节不含有 HTML 属性。

前面提到的五种过滤器均可用作 class_ 的值，即字符串、正则表达式、列表、True、函数(可调用对象)。

# 搜索 class 时 sister 的 a 标签
soup = BeautifulSoup(html_doc, 'html.parser')
pprint([f"{type(i)}::{i.name}" for i in soup.find_all("a", class_="sister")])

# 搜索 class 中包含 itl 字段的标签
pprint([f"{type(i)}::{i.name}" for i in soup.find_all(class_=re.compile("itl"))])

def has_six_characters(css_class):
    return css_class is not None and len(css_class) == 6
# 搜索 class 值长度为 6 的标签
pprint([f"{type(i)}::{i.name}" for i in soup.find_all(class_=has_six_characters)])

pprint([f"{type(i)}::{i.name}" for i in soup.find_all(class_=['title', "story"])])

输出:

["<class'bs4.element.Tag'>::a",
 "<class'bs4.element.Tag'>::a",
 "<class'bs4.element.Tag'>::a"]
["<class'bs4.element.Tag'>::p"]
["<class'bs4.element.Tag'>::a",
 "<class'bs4.element.Tag'>::a",
 "<class'bs4.element.Tag'>::a"]
["<class'bs4.element.Tag'>::p",
 "<class'bs4.element.Tag'>::p",
 "<class'bs4.element.Tag'>::p"]

CSS 的 class 属性可能会包含多个值，如果 class_ 仅匹配单个值，则会筛选出所有包含此 CSS class 的 tag 标签；如果 class_ 匹配多个值时，会严格按照 CSS class 的顺序进行匹配，即使内容完全一样，但顺序不一致也会匹配失败:

css_soup = BeautifulSoup('<p class="body strikeout"></p>', 'html.parser')
print(css_soup.find_all(class_='body'))
#> [<p class="body strikeout"></p>]
print(css_soup.find_all(class_='strikeout'))
#> [<p class="body strikeout"></p>]

print(css_soup.find_all("p", class_="body strikeout"))
#> [<p class="body strikeout"></p>]
print(css_soup.find_all("p", class_="strikeout body"))
#> []

因此，当你想要依据多个 CSS class 来搜索需要的 tag 标签时，为了不免因顺序不一致而搜索失败，应使用 CSS 选择器:

print(css_soup.select("p.strikeout.body"))
#> [<p class="body strikeout"></p>]

在 BeautifulSoup 4.1.2 之前不能使用 class_ 参数，此时可通过 attrs 参数来完成搜索:

soup = BeautifulSoup(html_doc, 'html.parser')
pprint([f"{type(i)}::{i.name}" for i in soup.find_all(attrs={"class": "sister"})])

pprint([f"{type(i)}::{i.name}" for i in soup.find_all(attrs="sister")])

输出:

["<class'bs4.element.Tag'>::a",
 "<class'bs4.element.Tag'>::a",
 "<class'bs4.element.Tag'>::a"]
["<class'bs4.element.Tag'>::a",
 "<class'bs4.element.Tag'>::a",
 "<class'bs4.element.Tag'>::a"]

attrs 参数

可以向 attrs 传递以下两种类型的实参值:

  • 过滤器 – 此时 .find_all() 会查找 CSS class 的值与该过滤器匹配的 tag 标签，前面提到的五种过滤器均可使用。

    soup = BeautifulSoup(html_doc, 'html.parser')
print(soup.find_all("p", "title"))
#> [<p class="title"><b>The Dormouse's story</b></p>]

print([f"{type(i)}::{i.name}" for i in soup.find_all(attrs="sister")])
#> ["<class'bs4.element.Tag'>::a", "<class'bs4.element.Tag'>::a", "<class'bs4.element.Tag'>::a"]

  • 映射对象 – .find_all() 会把映射对象中的键值对视作 HTML 属性名和属性值，并找出拥有配匹属性的 tag 标签，前面提到的五种过滤器均可用作映射对象的值。

    soup = BeautifulSoup(html_doc, 'html.parser')

pprint([f"{type(i)}::{i.name}" for i in soup.find_all(attrs={
        "class": "sister",
        "id": "link1",
    })
])
#> ["<class'bs4.element.Tag'>::a"]

text/string 参数

The string argument is new in Beautiful Soup 4.4.0. In earlier versions it was called text

text 是用来筛选文本标签的过滤器，find_all() 会保留与 text 过滤器匹配的文本标签，前面提到的五种过滤器均可用作 text 的实参。

soup = BeautifulSoup(html_doc, 'html.parser')

print(soup.find_all(string="Elsie"))
print(soup.find_all(string=["Tillie", "Elsie", "Lacie"]))
print(soup.find_all(string=re.compile("Dormouse")))


def is_the_only_string_within_a_tag(s):
    """Return True if this string is the only child of its parent tag."""
    return (s == s.parent.string)


print(soup.find_all(string=is_the_only_string_within_a_tag))

输出:

['Elsie']
['Elsie', 'Lacie', 'Tillie']
["The Dormouse's story","The Dormouse's story"]
["The Dormouse's story","The Dormouse's story", 'Elsie', 'Lacie', 'Tillie', '...']

在查找 tag 标签时，text 被视作筛选条件，find_all() 会筛选出 .string 字段与 text 过滤器匹配的 tag 标签:

soup = BeautifulSoup(html_doc, 'html.parser')

print([f'{type(i)}::{i}' for i in soup.find_all("a", string="Elsie")])
#> ['<class \'bs4.element.Tag\'>::<a class="sister"href="http://example.com/elsie"id="link1">Elsie</a>']

limit 参数

默认情况下 find_all() 会返回所有匹配到的标签对象，如果并不需要获取全部标签对象，可使用 limit 参数来控制对象的数量，此时 BeautifulSoup 会在搜索到 limit 个标签对象后停止搜索。

soup = BeautifulSoup(html_doc, 'html.parser')
# There are three links in the“three sisters”document,
# but this code only finds the first two
print([f'{type(i)}::{i.name}' for i in soup.find_all("a", limit=2)])
#> ["<class'bs4.element.Tag'>::a", "<class'bs4.element.Tag'>::a"]

recursive 参数

默认情况下 find_all() 会检索当前 tag 对象的所有子孙节点，并提取与给定条件匹配的所有节点对象，然后返回一个包含这些 节点对象 的列表。如果不想递归检索所有子孙节点，可使用 recursive 进行限制: 当 recursive=False 时，只会检索直接子节点:

soup = BeautifulSoup(html_doc, 'html.parser')

print([f'{type(i)}::{i.name}' for i in soup.find_all("title")])
#> ["<class'bs4.element.Tag'>::title"]
print([f'{type(i)}::{i.name}' for i in soup.find_all("title", recursive=False)])
#> []

调用 Tag 对象

在使用 BeautifulSoup 时，find_all() 是最常用的检索方法，因此开发人员为 find_all() 提供了更简便的调用方法——我们在调用 Tag 对象时，便是在调用其 find_all() 方法，源代码如下:

def __call__(self, *args, **kwargs):
    """Calling a tag like a function is the same as calling its
        find_all() method. Eg. tag('a') returns a list of all the A tags
        found within this tag."""
    return self.find_all(*args, **kwargs)

示例 :

soup("a") # 等效于 soup.find_all("a")
soup.title(string=True) # 等效于 soup.title.find_all(string=True)

find()????

????find(name, attrs, recursive, string, **kwargs)

find() 方法会只会返回第一个被匹配到的标签对象，如果没有与之匹配的标签则会返回 None。在解析树中使用节点名称导航时，实际上就是在使用 find() 方法。

其它搜索方法

在理解下面这些方法时，请交叉参考笔记﹝BeautifulSoup – 解析树.md﹞中的 ” 在解析树中导航 ” 一节，以便理解解析树的结构。

本节中不会详细解释各个方法的含义，只会给出函数签名和文档参考连接。

find_parents()&find_parent()????

????find_parents(name, attrs, string, limit, **kwargs)

????find_parent(name, attrs, string, **kwargs)

详见: https://www.crummy.com/softwa…

find_next_siblings()&find_next_sibling()????

????find_next_siblings(name, attrs, string, limit, **kwargs)

????find_next_sibling(name, attrs, string, **kwargs)

详见: https://www.crummy.com/softwa…

find_previous_siblings()&find_previous_sibling()????

????find_previous_siblings(name, attrs, string, limit, **kwargs)

????find_previous_sibling(name, attrs, string, **kwargs)

详见: https://www.crummy.com/softwa…

find_all_next()&find_next()????

????find_all_next(name, attrs, string, limit, **kwargs)

????find_next(name, attrs, string, **kwargs)

详见: https://www.crummy.com/softwa…

find_all_previous()&find_previous()????

????find_all_previous(name, attrs, string, limit, **kwargs)

????find_previous(name, attrs, string, **kwargs)

详见: https://www.crummy.com/softwa…

CSS 选择器

从 4.7.0 版本开始，BeautifulSoup 将通过 SoupSieve 项目支持大多数 CSS4 选择器。如果你通过 pip 来安装 BeautifulSoup，则会自动安装 SoupSieve。

SoupSieve 的官方文档中详细介绍了 API 和目前已支持的 CSS 选择器，API 不只包含本节介绍的 .select()，还包含以下方法:

  • .select_one()
  • .iselect()
  • .closest()
  • .match()
  • .filter()
  • .comments()
  • .icomments()
  • .escape()
  • .compile()
  • .purge()

总之，如需全面了解 SoupSieve 相关信息，请参考其官方文档。

在了解 CSS 时，推荐使用 ”jQuery 选择器检测器 ” 来观察不同的选择器的效果，还可交叉参考笔记﹝PyQuery.md﹞和以下连接:

  • http://www.w3school.com.cn/cs…
  • http://www.w3school.com.cn/cs…
  • https://www.runoob.com/cssref…

select()????

.select() 方法适用于 BeautifulSoup 对象和 Tag 对象。

在 4.7.0 版本之后，.select() 会使用 SoupSieve 来提取与 CSS 选择器匹配的所有节点对象，然后返回一个包含这些 节点对象 的列表。

在 4.7.0 版本之前，虽然也可以使用 .select()，但是在旧版本中仅支持最常见的 CSS 选择器。

元素选择器:

print(soup.select("title"))
#> [<title>The Dormouse's story</title>]

print(soup.select("p:nth-of-type(3)"))
#> [<p class="story">...</p>]

嵌套选择器:

print(soup.select("body a"))
#> [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
#>  <a class="sister" href="http://example.com/lacie"  id="link2">Lacie</a>,
#>  <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

print(soup.select("html head title"))
#> [<title>The Dormouse's story</title>]

更多示例详见: https://www.crummy.com/softwa…

欢迎关注公众号: import hello

正文完
beautifulsoup python 网页爬虫
发表至：无分类
2019-07-29
 0