BeautifulSoup 安装及其使用
BeautifulSoup是个好东东。
官网见这里:http://www.crummy.com/software/BeautifulSoup/
下载地址见这里:http://www.crummy.com/software/BeautifulSoup/bs4/download/4.1/ ,附件有4.1.2的安装源码
文档见这里:http://www.crummy.com/software/BeautifulSoup/bs3/documentation.zh.html,是中文翻译的,不过文档有点旧,是3.0的文档版本,看起来没有什么意思。
我推荐大家看个:http://www.crummy.com/software/BeautifulSoup/bs4/doc/,这个是python的官网英文版,看起来要舒服,清晰很多。
在python下,你想按照jquery格式来读取网页,免除网页格式、标签的不规范的困扰,那么BeautifulSoup是个不错的选择。按照官网所说,BeautifulSoup是Screen-Scraping应用,旨在节省大家处理HTML标签,并且从网络中获得信息的工程。BeautifulSoup有这么几个优点,使得其功能尤其强大:
1:Beautiful Soup provides a few simple methods and Pythonic idioms for navigating, searching, and modifying a parse tree: a toolkit for dissecting a document and extracting what you need. It doesn't take much code to write an application。关键词:python风格、提供简单方法
2:Beautiful Soup automatically converts incoming documents to Unicode and outgoing documents to UTF-8. You don't have to think about encodings, unless the document doesn't specify an encoding and Beautiful Soup can't autodetect one. Then you just have to specify the original encoding。关键词:编码转换,使用Python的同学都会认同Python编码格式的繁琐,BeautifulSoup能简化这一点。
3:Beautiful Soup sits on top of popular Python parsers like lxml and html5lib, allowing you to try out different parsing strategies or trade speed for flexibility。关键词:兼容其它html解析器,能够让你随心替换。
看完这几个特性,想必有人心动了吧,我们先看下BeautifulSoup的安装:
安装方法:
1:apt-get install python-bs4
2:easy_install beautifulsoup4
3:pip install beautifulsoup4
4:源码安装:python setup.py install
根据不同的操作系统,选用不同的安装方法,这些方法都能安装成功,不同点在于安装的工具不同。我自己的系统采用的是第四种安装方法,下面我来简要介绍下第四种安装方法:
Ok,你就能看到安装信息,提示安装成功。
安装成功,肯定想迫不及待的使用,你打开python command窗口,你很happy的输入:
sorry,ImportError,为什么会有这个importerror,我都安装好了的。打开官网,重新看下说明,原来安装的是BeautifulSoup 4.1版本,这个import是3.x的说法。重新打开command,输入:
咦,没有输出提示。恭喜你,BeautifulSoup包引入成功。
看文上篇博客,http://isilic.iteye.com/blog/1733560,想试下dir命令,看看BeautifulSoup提供了哪些方法:
看到一堆的方法,有点头大,将方法列出来会方便看许多。
请仔细看下其中的findXxx,nextXxx,previousXxx方法,这些方法提供了html页面的遍历、回溯、查找、匹配功能;这些功能已经能够提供获取页面信息的方法了。
我们以百度首页为例,试用下BeautifulSoup的强大功能。
看到结果显示不错,helloworld的教程让人心里真是舒服啊。
想进一步试用功能,我想找出百度首页上所有的链接,这个貌似很难,需要各种正则匹配,各种处理;等等,我们现在是在谈论这个BeautifulSoup,看看BeautifulSoup怎么实现这个功能。
看到输出了吗?是不是很简单。
对于熟悉Jquery和CSS的同学,这种操作就是个折磨,需要不停的根据选择出来的结果进行遍历。看到上面的输出,看到有很多的#这些非正常的URL,现在想把这些URL全部过滤掉,使用select语法就很简单了。
有人说我根据判断出来的URL做处理不行嘛,当然可以,我这里只是想试下select的语法,至于select中的语法定义,大家可以自行度之。准确的说,这个select语法都能重新开篇文章了。
再进一步,连接中的/或者/duty链接都是有含义的,是相对于本站的绝对地址,这些/开头的怎么不被过滤掉?如果是绝对地址的话,又该怎么防止被过滤掉?href标签里面是个javascript又该怎么过滤?如果考虑css文件和js文件的话,怎么把这些文件的url也给找出来?还有更进一步的,怎么分析出js中ajax的请求地址?这些都是可以进一步扩展的一些要求。
好吧,我承认后面这些URL过滤已经超出了BeautifulSoup的能力范围了,但是单纯考虑功能的话,这些都是要考虑的内容,这些疑问大家考虑下实现原理就行,如果能做进一步的学习的话,算是本文额外的功劳了。
下面简单过下BeautifulSoup的用法:
需要注意的是,在BeautifulSoup中的方法有些有两种写法,有些是驼峰格式的写法,有些是下划线格式的写法,但是看其方法的含义是一样的,这主要是BeautifulSoup为了兼容3.x的写法。前者是3.x的写法,后者是4.x的写法,推荐使用后者,也就是下划线的方法。
根据这些方法,应该能够得到遍历、抽取、修改、规范化文档的一系列方法。大家如果能在工作中使用BeautifulSoup,一定会理解更深。
BeautifulSoup支持不同的parser,默认是Html 格式解析,还有xmlparser、lxml parser、html5lib parser、html.parser,这些parser都需要响应的解析器支持。
html,这个是默认的解析器
xml格式解析器
lxml格式解析器
html5lib格式解析器
html.parser解析器
其中parser的区别大家看下这几个例子就知道了。
在使用BeautifulSoup解析文档的时候,会将整个文档以一颗大又密集的数据载入到内存中,如果你只是从数据结构中获得一个字符串,内存中保存一堆数据感觉就不划算了。并且如果你要获得指向某个Tag的内容,这个Tag又会指向其它的Tag对象,因此你需要保存这棵树的所有部分,也就是说整棵树都在内存中。extract方法可以破坏掉这些链接,它会将树的连接部分断开,如果你得到某个Tag,这个Tag的剩余部分会离开这棵树而被垃圾收集器捕获;当然,你也可以实现其它的功能:如文档中的某一块你本身就不关心,你可以直接把它extract出树结构,扔给垃圾收集器,优化内存使用的同时还能完成自己的功能。
正如BeautifulSoup的作者Leonard所说,写BeautifulSoup是为了帮助别人节省时间,减小工作量。一旦习惯使用上BeautifulSoup后,一些站点的内容很快就能搞定。这个就是开源的精神,将工作尽可能的自动化,减小工作量;从某个程度上来说,程序员应该是比较懒惰的,但是这种懒惰正好又促进了软件行业的进步。
联系客服