Beautiful Soup – это Python библиотека для синтаксического разбора файлов HTML/XML, которая может преобразовать даже неправильную разметку в дерево синтаксического разбора.
Beautiful Soup – это Python библиотека для синтаксического разбора файлов HTML/XML, которая может преобразовать даже неправильную разметку в дерево синтаксического разбора.
Важной отличительной чертой библиотеки является её следование концепциям Python, а также способность работать со сторонними парсерами (например, lxml и html5lib). Beautiful Soup 4.0+ работает с Python версий как 2.x, так и 3.x.
Установка
С помощью системного менеджера пакетов Debian, Ubuntu:
apt-get install python-bs4
С помощью одного из двух менеджеров пакетов Python:
easy_install beautifulsoup4
pip install beautifulsoup4
Примеры использования
Неполная HTML-страничка:
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>
"""
Обработка:
from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc, 'html.parser')
soup.title
# <title>The Dormouse's story</title>
soup.title.name
# u'title'
soup.title.string
# u'The Dormouse's story'
soup.title.parent.name
# u'head'
soup.p
# <p class="title"><b>The Dormouse's story</b></p>
soup.p['class']
# u'title'
soup.a
# <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
soup.find_all('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>]
soup.find(id="link3")
# <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
Совместимость с предыдущей версией
Beautiful Soup 4 почти полностью обратно-совместим с Beautiful Soup 3. Для портирования нужно поменять название библиотеки с:
from BeautifulSoup import BeautifulSoup
На:
from bs4 import BeautifulSoup
Также были переименованы некоторые методы для следования стандарту PEP-8. Дополнительная информация по совместимости и портированию представлена здесь.