Python 爬虫利器 Beautiful Soup 4 之文档树的搜索
前面兩篇介紹的是 Beautiful Soup 4 的基本對象類型和文檔樹的遍歷, 本篇介紹 Beautiful Soup 4 的文檔搜索
搜索文檔樹主要使用兩個方法 find() 和 find_all()
find_all():
find_all 是用于搜索節點中所有符合過濾條件的節點
那么它支持哪些過濾器呢?
過濾器的類型:
- 字符串
- 正則表達式
- 列表
- True
- 方法
字符串:
查找文檔中所有的<b>標簽
soup.find_all('b')正則表達式:
找出所有以b開頭的標簽
import re for tag in soup.find_all(re.compile("^b")):print(tag.name)列表:
找到文檔中所有<a>標簽和<b>標簽
soup.find_all(["a", "b"])True:
True 可以匹配任何值, 但是不會返回字符串節點
for tag in soup.find_all(True):print(tag.name)方法:
可以定義一個方法, 方法只接受一個元素參數, 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
這里是官方文檔上面的例子:
下面代碼找到所有被文字包含的節點內容
from bs4 import NavigableString def surrounded_by_strings(tag):return (isinstance(tag.next_element, NavigableString)and isinstance(tag.previous_element, NavigableString))for tag in soup.find_all(surrounded_by_strings):print tag.namefind_all 的方法原型:
find_all( name , attrs , recursive , text , **kwargs )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
soup.find_all("p") 查找所有的 p 標簽
keyword 參數:
soup.find_all(id='link2',class_='title') , 這個將會查找到同時滿足這兩個屬性的標簽，這里的class必須用class_傳入參數，因為class是python中的關鍵詞
有些屬性不能通過以上方法直接搜索，比如html5中的data-*屬性，不過可以通過attrs參數指定一個字典參數來搜索包含特殊屬性的標簽
data_soup.find_all(attrs={"data-foo": "value"})text 參數:
通過 text 參數可以搜索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("a", text="Elsie")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
soup.find_all("a", limit=2)recursive 參數:
調用tag的 find_all() 方法時, Beautiful Soup 會檢索當前 tag 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
soup.html.find_all("title", recursive=False)find():
find( name , attrs , recursive , text , **kwargs )find_all() 方法將返回文檔中符合條件的所有 tag, 盡管有時候我們只想得到一個結果, 比如文檔中只有一個<body>標簽,那么使用 find_all() 方法來查找<body>標簽就不太合適, 使用 find_all 方法并設置 limit=1 參數不如直接使用 find() 方法, 下面兩行代碼是等價的:
soup.find_all('title', limit=1) soup.find('title')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
find_all() 方法沒有找到目標是返回空列表, find() 方法找不到目標時, 返回 None
CSS選擇器:
Beautiful Soup支持大部分的CSS選擇器:
soup.select("body a") soup.select("html head title") soup.select("p > #link1") soup.select(".sister")更多詳細用法戳: 官方文檔 css 選擇器
參考自 Beautiful Soup 4 官方文檔.
總結
以上是生活随笔為你收集整理的Python 爬虫利器 Beautiful Soup 4 之文档树的搜索的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 综合学生信息管理系统(JSP+JDBC)
- 下一篇： 20172304 《程序设计与数据结构》