python 模块BeautifulSoup 从HTML或XML文件中提取数据

一、安装

Beautiful Soup 是一个HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 数据。

lxml 只会局部遍历，而Beautiful Soup 是基于HTML DOM的，会载入整个文档，解析整个DOM树，因此时间和内存开销都会大很多，所以性能要低于lxml。

BeautifulSoup 用来解析 HTML 比较简单，API非常人性化，支持CSS选择器、Python标准库中的HTML解析器，也支持 lxml 的 XML解析器。

pip install beautifulsoup4

二、使用案例

from bs4 import BeautifulSoup
import requests
import asyncio
import functools
import re

house_info = []

'''异步请求获取链家每页数据'''
async def get_page(page_index):
    headers = {
        'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/116.0.0.0 Safari/537.36'
    }
    request = functools.partial(requests.get, f'https://sh.lianjia.com/ershoufang/pudong/pg{page_index}/',
                                headers=headers)
    loop = asyncio.get_running_loop()
    response = await loop.run_in_executor(None, request)
    return response


'''使用xpath获取房屋信息'''
def get_house_info(soup):
    house_info_list = soup.select('.info')  # 房屋title
    reg = re.compile(r'\n|\s')
    for html in house_info_list:

        house_info.append({
            'title': re.sub(reg,'',html.select('.title a')[0].getText()),
            'house_pattern': re.sub(reg,'',html.select('.houseInfo')[0].getText()),
            'price': re.sub(reg,'',html.select('.unitPrice')[0].getText()),
            'location': re.sub(reg,'',html.select('.positionInfo')[0].getText()),
            'total': re.sub(reg,'',html.select('.totalPrice')[0].getText())
        })

'''异步获取第一页数据，拿到第一页房屋信息，并返回分页总数和当前页'''
async def get_first_page():
    response = await get_page(1)
    soup = BeautifulSoup(response.text, 'lxml')
    get_house_info(soup)
    print(house_info)


if __name__ == '__main__':
    asyncio.run(get_first_page())

三、创建soup对象

soup = BeautifulSoup(markup="", features=None, builder=None,parse_only=None, from_encoding=None, exclude_encodings=None,element_classes=None)

markup：要解析的HTML或XML文档字符串。可以是一个字符串变量，也可以是一个文件对象（需要指定"html.parser"或"lxml"等解析器）。
features：指定解析器的名称或类型。默认为"html.parser"，可以使用其他解析器如"lxml"、"html5lib"等。
builder：指定文档树的构建器。默认为None，表示使用默认构建器。可以使用"lxml"或"html5lib"等指定其他构建器。
parse_only：指定要解析的特定部分。可以传递一个解析器或一个标签名或一个元素的列表。
from_encoding：指定解析器使用的字符编码。默认为None，表示自动检测编码。
exclude_encodings：指定要排除的编码列表，用于字符编码自动检测。
element_classes：指定要用于解析文档的元素类。默认为None，表示使用默认元素类。

四、soup对象

soup.prettify(encoding=None, formatter="minimal")：返回格式化后的HTML或XML文档的字符串表示。它将文档内容缩进并使用适当的标签闭合格式，以提高可读性
soup.title：返回文档的标签的内容，如果存在的话
soup.head：返回文档的标签的内容，作为一个BeautifulSoup对象
soup.body：返回文档的标签的内容，作为一个BeautifulSoup对象
soup.html：返回文档的标签的内容，作为一个BeautifulSoup对象
soup.find(name, attrs, recursive, string))：在文档中查找具有指定名称和属性的第一个元素，并返回该元素的BeautifulSoup对象。可以使用name参数指定标签名称，使用attrs参数指定属性字典，使用recursive参数指定是否递归搜索子元素，使用string参数指定元素的文本内容，还可以使用其他关键字参数指定其他属性条件
soup.find_all(name, attrs, recursive, string, limit))：在文档中查找具有指定名称和属性的所有元素，并返回这些元素的列表。参数和用法与find()方法相似，但它会返回所有匹配的元素
soup.select(selector))：使用CSS选择器语法在文档中查找元素，并返回匹配的元素列表。选择器可以是标签名、类名、id、属性等。返回的是一个BeautifulSoup对象的列表
soup.get_text()：获取文档中所有元素的文本内容，并将它们连接成一个字符串返回
soup.get(attrName)：获取属性值
soup.find_parents(name, attrs, recursive, string))：在文档中查找具有指定名称和属性的所有父元素，并返回这些父元素的列表
soup.find_next_sibling(name, attrs, string))：在文档中查找具有指定名称和属性的下一个同级元素，并返回该元素的BeautifulSoup对象
soup.find_previous_sibling(name, attrs, string))：在文档中查找具有指定名称和属性的上一个同级元素，并返回该元素的BeautifulSoup对象
soup.find_next(name, attrs, string))：在文档中查找具有指定名称和属性的下一个元素，并返回该元素的BeautifulSoup对象
soup.find_previous(name, attrs, string))：在文档中查找具有指定名称和属性的上一个元素，并返回该元素的BeautifulSoup对象
soup.decompose(): 从文档中移除当前元素，并清理其占用的内存。
soup.encode(formatter=None): 将解析后的文档编码为字节字符串。
soup.decode(encoding="utf-8", errors="strict"): 将字节字符串解码为Unicode字符串。
soup.new_tag(name, namespace=None, attrs={}, **kwargs)
soup.new_string(s, parent=None): 创建一个新的字符串对象。
soup.replace_with(replacement): 将当前元素替换为指定的元素或字符串。
soup.wrap(wrapper): 将当前元素包装在指定的包装器标签中。

from bs4 import BeautifulSoup

html_str = '<html><head><title>我是标题</title></head><body>
我是div1
我是div2
我是div3
</body</html>'soup = BeautifulSoup(html_str, 'lxml')
print('title：',soup.title)
print('head：', soup.head)
print('body：', soup.body)
print('html：', soup.html)
print('find：', soup.find('div',attrs={'class':'div1'}))
print('find_all：', soup.find_all('div'))
print('select：', soup.select('.div1'))
print('get_text：', soup.select('.div1')[0].get_text())
print('get：', soup.select('.div1')[0].get('class'))
div1 = soup.select('.div1')[0]
print('find_parents：', div1.find_parents('div'))
print('find_next_sibling：', div1.find_next_sibling())
print('find_previous_sibling：', div1.find_previous_sibling())
print('find_next：', div1.find_next())
print('find_previous：', div1.find_previous())