注意事项和心得
BeautifulSoup v3
升级到BeautifulSoup v4
后的函数变化
官网已解释, BeautifulSoup从v3
升级到v4
后,很多函数名变化了:
renderContents
->encode_contents
replaceWith
->replace_with
replaceWithChildren
->unwrap
findAll
->find_all
findAllNext
->find_all_next
findAllPrevious
->find_all_previous
findNext
->find_next
findNextSibling
->find_next_sibling
findNextSiblings
->find_next_siblings
findParent
->find_parent
findParents
->find_parents
findPrevious
->find_previous
findPreviousSibling
->find_previous_sibling
findPreviousSiblings
->find_previous_siblings
nextSibling
->next_sibling
previousSibling
->previous_sibling
其他细节变化:
- Beautiful Soup构造方法的参数部分也有名字变化
BeautifulSoup(parseOnlyThese=...)
->BeautifulSoup(parse_only=...)
BeautifulSoup(fromEncoding=...)
->BeautifulSoup(from_encoding=...)
- 为了适配Python3,修改了一个方法名
Tag.has_key()
->Tag.has_attr()
- 修改了一个属性名,让它看起来更专业点
Tag.isSelfClosing
->Tag.is_empty_element
- 修改了下面3个属性的名字,以免与Python保留字冲突.这些变动不是向下兼容的,如果在BS3中使用了这些属性,那么在BS4中这些代码无法执行.
UnicodeDammit.Unicode
->UnicodeDammit.Unicode_markup
Tag.next
->Tag.next_element
Tag.previous
->Tag.previous_element
注意事项
BeautifulSoup的Tag的属性
BeautifulSoup处理这种html源码:
<a href="http://creativecommons.org/licenses/by/3.0/deed.zh" target="_blank">版权声明</a>
后,是可以通过 soup.a['href']
去获得对应的href属性值的。
但是,想要去获得当前的某个未知的BeautifulSoup.Tag中,一共存在多少个属性,以及每个属性的值的时候,却不知道如何下手了。
比如对于如下html源码:
<p class="cc-lisence" style="line-height:180%;">......</p>
想要得知,一共有两个属性,分别是class和style,然后就可以通过上面的方法,去获得对应的属性值了。
对此问题,虽然看到了官网的解释:Tags的属性中的你可以将Tag看成字典来访问标签的属性
但是还是无法通过:
if("class" in soup)
的方式去判断soup中是否存在class属性,因为此时soup是Beautifulsoup.Tag类型变量,而不是dict变量。
并且,如果去强制将soup转换成为dict变量:
soupDict = dict(soup)
会报错的。
最后,还是无意间发现,原来Beautifulsoup.Tag
是有个attrs
属性的,其可以获得对应的元组列表,每一个元组是对应属性名和属性值:
attrsList = soup.attrs
print("attrsList=%s" % attrsList()
attrsList= [('class', 'cc-lisence'), ('style', 'line-height:180%;')]
这样自己就可以从元组列表中去转换,获得属性的列表或字典变量了,就可以接着按照自己意愿去处理了。
另外,此处也通过soup.name
获得了该tag的名字
而想要获得整个soup变量所有的属性和方法的话,可以用经典的dir去打印出来:
print("dir(soup)=%s" % dir(soup))
此处的打印输出为:
dir(soup)= ['BARE_AMPERSAND_OR_BRACKET', 'XML_ENTITIES_TO_SPECIAL_CHARS', 'XML_SPECIAL_CHARS_TO_ENTITIES', '__call__', '__contains__', '__delitem__', '__doc__', '__eq__', '__getattr__', '__getitem__', '__init__', '__iter__', '__len__', '__module__', '__ne__', '__nonzero__', '__repr__', '__setitem__', '__str__', '__unicode__', '_convertEntities', '_findAll', '_findOne', '_getAttrMap', '_invert', '_lastRecursiveChild', '_sub_entity', 'append', 'attrMap', 'attrs', 'childGenerator', 'containsSubstitutions', 'contents', 'convertHTMLEntities', 'convertXMLEntities', 'decompose', 'escapeUnrecognizedEntities', 'extract', 'fetch', 'fetchNextSiblings', 'fetchParents', 'fetchPrevious', 'fetchPreviousSiblings', 'fetchText', 'find', 'findAll', 'findAllNext', 'findAllPrevious', 'findChild', 'findChildren', 'findNext', 'findNextSibling', 'findNextSiblings', 'findParent', 'findParents', 'findPrevious', 'findPreviousSibling', 'findPreviousSiblings', 'first', 'firstText', 'get', 'has_key', 'hidden', 'insert', 'isSelfClosing', 'name', 'next', 'nextGenerator', 'nextSibling', 'nextSiblingGenerator', 'parent', 'parentGenerator', 'parserClass', 'prettify', 'previous', 'previousGenerator', 'previousSibling', 'previousSiblingGenerator', 'recursiveChildGenerator', 'renderContents', 'replaceWith', 'setup', 'substituteEncoding', 'toEncoding']
有需要的话,可以对这些属性和方法,都尝试一下,以便更加清楚其含义。
刚写完上面这句话呢,然后自己随便测试了一下attrMap
:
attrMap = soup.attrMap
print("attrMap=%s" % attrMap)
然后就很惊喜的发现,原来此处的attrMap,就是我程序中所需要的属性的dict变量啊:
attrMap= {'style': 'line-height:180%;', 'class': 'cc-lisence'}
这样,就又省去了我程序中将attrs转换为dict变量的操作了,更加提高了效率。
在次感谢Beautifulsoup的开发者。
BeautifulSoup有时候会遇到非法的,不支持的html源码而导致无法解析或无法正常解析html
在使用Beautifulsoup过程中,对于大多数html源码,通过指定正确的编码,或者本身是默认UTF-8编码而无需指定编码类型,其都可以正确解析html源码,得到对应的soup变量。
然后就接着去利用soup实现你所想要的功能了。
但是有时候会发现,有些html解析后,有些标签等内容丢失了,即所得到的soup不是所期望的完整的html的内容。
这时候,很可能遇到了非法的html,即其中可能包含了一些不合法的html标签等内容,导致Beautifulsoup虽然可以解析,没有报错,但是实际上得到的soup变量,内容缺失了一部分了。
比如我就遇到过不少这样的例子:
部分Blogbus的帖子的html中非html5和html5的代码混合导致Beautifulsoup解析错误
之前在为BlogsToWordPress添加Blogbus支持过程中去解析Blogbus的帖子的时候,遇到一个特殊的帖子:
http://ronghuihou.blogbus.com/logs/89099700.html
其中一堆的非html5的代码中,包含了这样一段html5的代码的写法,即标签属性值不加括号的:
<SCRIPT language=JavaScript>
document.oncontextmenu=new Function("event.returnValue=false;"); //禁止右键功能,单击右键将无任何反应
document.onselectstart=new Function( "event.returnValue=false;"); //禁止先择,也就是无法复制
</SCRIPT language=JavaScript>
结果导致Beautifulsoup解析错误,得到的soup中,找不到所需要的各种class等属性值。
对应的解决办法就是,把这部分的代码删除掉,然后再解析就可以了:
其中一堆的非html5的代码中,包含了这样一段html5的代码的写法,即标签属性值不加括号的:
foundInvliadScript = re.search("<SCRIPT language=JavaScript>.+</SCRIPT language=JavaScript>", html, re.I | re.S )
logging.debug("foundInvliadScript=%s", foundInvliadScript)
if(foundInvliadScript):
invalidScriptStr = foundInvliadScript.group(0)
logging.debug("invalidScriptStr=%s", invalidScriptStr)
html = html.replace(invalidScriptStr, "")
logging.debug("filter out invalid script OK")
soup = htmlToSoup(html)
判断浏览器版本的相关代码,导致Beautifulsoup解析不正常
之前在给BlogsToWordpress添加新浪博客的支持的过程中
遇到很多新浪博客的帖子的html中,包含很多判断浏览器版本的相关代码:
<!–[if lte IE 6]>
xxx
xxx
<![endif]–>
由此导致Beautifulsoup解析html不正常。
font标签嵌套层次太多,导致Beautifulsoup无法解析html
接上面那个解析新浪博客帖子的例子,期间又遇到另外一个问题,对于一些特殊帖子:
http://blog.sina.com.cn/s/blog_5058502a01017j3j.html
其包含特殊的好几十个font标签且是一个个嵌套的代码,导致无法Beautifulsoup无法解析html,后来把对应嵌套的font标签删除掉,才可以正常解析。
相关python代码为:
# handle special case for http://blog.sina.com.cn/s/blog_5058502a01017j3j.html
processedHtml = processedHtml.replace('<font COLOR="#6D4F19"><font COLOR="#7AAF5A"><font COLOR="#7AAF5A"><font COLOR="#6D4F19"><font COLOR="#7AAF5A"><font COLOR="#7AAF5A">', "")
processedHtml = processedHtml.replace("</FONT></FONT></FONT></FONT></FONT></FONT>", "")
遇到其他类似的问题,也可以去删除或替换出错代码,即可解决问题。
不过需要说明的是,很多时候,你未必很容易就找到出错的代码。
想要找到出错的代码,更多的时候,需要你一点点调试,一点点的删除看似可疑的一些html源码,然后最终才能定位到出错的代码,然后删除掉后,才可以正常工作的。
使用心得
crifan的Beautifulsoup函数
之前已把一些常用功能封装成函数,放到自己的库中了,详见:
[crifanLibPython/crifanBeautifulsoup.py at master · crifan/crifanLibPython
find
和find_all
中支持正则写法
如之前例子中所提到的:
ahrefNonEmptyP = re.compile("\S+") # ahref="/xsglxt/f/jyxt/anony/showZwxx?zpxxid=104719161&type="
styleColorP = re.compile("color:#[a-zA-Z0-9]+;") # style="color:#ff0000;"
foundAList = soup.find_all('a', attrs={"fbfw":"外", "ahref": ahrefNonEmptyP, "style": styleColorP})
soup.find
和soup.find_all
中,都支持正则的写法:
# also match a-incontent a-title cs-contentblock-hoverlink
titleP = re.compile("a-incontent a-title(\s+?\w+)?")
foundIncontentTitle = soup.find(attrs={"class":titleP})
就可以同时匹配多种情况了:
a-incontent a-title
a-incontent a-title cs-contentblock-hoverlink
a-incontent a-title xxx