Beautiful Soup - 搜索树
Beautifulsoup 有很多方法，可以让我们搜索解析树。 两个最常见和使用的方法是 find() 和 find_all()。
在讨论 find() 和 find_all() 之前，让我们看一些可以传递给这些方法的不同过滤器的示例。
过滤器的种类
我们有不同的过滤器，我们可以将它们传递给这些方法，理解这些过滤器是至关重要的，因为这些过滤器在整个搜索 API 中一次又一次地使用。 我们可以根据标签的名称、标签的属性、字符串的文本或这些的混合来使用这些过滤器。
一个字符串
最简单的过滤器类型之一是字符串。 将字符串传递给搜索方法，Beautifulsoup 将针对该精确字符串执行匹配。
下面的代码会找到文档中所有的 <p> 标签 −
>>> markup = BeautifulSoup('<p>Top Three</p><p><pre>Programming Languages are:</pre></p><p><b>Java, Python, Cplusplus</b></p>')
>>> markup.find_all('p')
[<p>Top Three</p>, <p></p>, <p><b>Java, Python, Cplusplus</b></p>]
正则表达式
您可以查找所有以给定字符串/标签开头的标签。 在此之前我们需要导入 re 模块来使用正则表达式。
>>> import re
>>> markup = BeautifulSoup('<p>Top Three</p><p><pre>Programming Languages are:</pre></p><p><b>Java, Python, Cplusplus</b></p>')
>>>
>>> markup.find_all(re.compile('^p'))
[<p>Top Three</p>, <p></p>, <pre>Programming Languages are:</pre>, <p><b>Java, Python, Cplusplus</b></p>]
列表
您可以通过提供列表来传递多个标签以进行查找。 下面的代码找到所有的 <b> 和 <pre> 标签 −
>>> markup.find_all(['pre', 'b']) [<pre>Programming Languages are:</pre>, <b>Java, Python, Cplusplus</b>]
True
True 将返回它可以找到的所有标签，但不返回其自身的字符串 −
>>> markup.find_all(True) [<html><body><p>Top Three</p><p></p><pre>Programming Languages are:</pre> <p><b>Java, Python, Cplusplus</b> </p> </body></html>, <body><p>Top Three</p><p></p><pre> Programming Languages are:</pre><p><b>Java, Python, Cplusplus</b></p> </body>, <p>Top Three</p>, <p></p>, <pre>Programming Languages are:</pre>, <p><b>Java, Python, Cplusplus</b></p>, <b>Java, Python, Cplusplus</b>]
只返回上述 soup 中的标签 −
>>> for tag in markup.find_all(True): (tag.name) 'html' 'body' 'p' 'p' 'pre' 'p' 'b'
find_all()
您可以使用 find_all 从页面响应中提取所有出现的特定标记作为 −
语法
find_all(name, attrs, recursive, string, limit, **kwargs)
让我们从 IMDB 中提取一些有趣的数据——有史以来"Top rated movies"(评分最高的电影)。
>>> url="https://www.imdb.com/chart/top/?ref_=nv_mv_250"
>>> content = requests.get(url)
>>> soup = BeautifulSoup(content.text, 'html.parser')
#Extract title Page
>>> print(soup.find('title'))
<title>IMDb Top 250 - IMDb</title>
#Extracting main heading
>>> for heading in soup.find_all('h1'):
print(heading.text)
Top Rated Movies
#Extracting sub-heading
>>> for heading in soup.find_all('h3'):
print(heading.text)
IMDb Charts
You Have Seen
IMDb Charts
Top India Charts
Top Rated Movies by Genre
Recently Viewed
从上面，可以看到 find_all 会提供所有符合我们定义的搜索条件的项目。 我们可以与 find_all() 一起使用的所有过滤器都可以与 find() 和其他搜索方法一起使用，如 find_parents() 或 find_siblings()。
find()
我们在上面已经看到，find_all()是用来扫描整个文档，找到所有的内容，但有时，要求是只找到一个结果。 如果你知道文档只包含一个 <body> 标签，那么去搜索整个文档是浪费时间。 一种方法是每次都使用 limit=1 调用 find_all() 或者我们可以使用 find() 方法来做同样的事情 −
语法
find(name, attrs, recursive, string, **kwargs)
下面两种不同的方法给出相同的输出 −
>>> soup.find_all('title',limit=1)
[<title>IMDb Top 250 - IMDb</title>]
>>>
>>> soup.find('title')
<title>IMDb Top 250 - IMDb</title>
在以上输出中，我们可以看到 find_all() 方法返回一个包含单个项目的列表，而 find() 方法返回单个结果。
find() 和 find_all() 方法的另一个区别是 −
>>> soup.find_all('h2')
[]
>>>
>>> soup.find('h2')
如果 soup.find_all() 方法找不到任何东西，它会返回空列表，而 find() 则返回 None。
find_parents() and find_parent()
不像 find_all() 和 find() 方法遍历树，查看标签的后代。find_parents() 和 find_parents 方法() 做相反的事情，它们向上遍历树并查看父标签（或字符串） 。
语法
find_parents(name, attrs, string, limit, **kwargs)
find_parent(name, attrs, string, **kwargs)
>>> a_string = soup.find(string="The Godfather")
>>> a_string
'The Godfather'
>>> a_string.find_parents('a')
[<a href="/title/tt0068646/" title="Francis Ford Coppola (dir.), Marlon Brando, Al Pacino">The Godfather</a>]
>>> a_string.find_parent('a')
<a href="/title/tt0068646/" title="Francis Ford Coppola (dir.), Marlon Brando, Al Pacino">The Godfather</a>
>>> a_string.find_parent('tr')
<tr>
<td class="posterColumn">
<span data-value="2" name="rk"></span>
<span data-value="9.149038526210072" name="ir"></span>
<span data-value="6.93792E10" name="us"></span>
<span data-value="1485540" name="nv"></span>
<span data-value="-1.850961473789928" name="ur"></span>
<a href="/title/tt0068646/"> <img alt="The Godfather" height="67" src="https://m.media-amazon.com/images/M/MV5BM2MyNjYxNmUtYTAwNi00MTYxLWJmNWYtYzZlODY3ZTk3OTFlXkEyXkFqcGdeQXVyNzkwMjQ5NzM@._V1_UY67_CR1,0,45,67_AL_.jpg" width="45"/>
</a> </td>
<td class="titleColumn">
2.
<a href="/title/tt0068646/" title="Francis Ford Coppola (dir.), Marlon Brando, Al Pacino">The Godfather</a>
<span class="secondaryInfo">(1972)</span>
</td>
<td class="ratingColumn imdbRating">
<strong title="9.1 based on 1,485,540 user ratings">9.1</strong>
</td>
<td class="ratingColumn">
<div class="seen-widget seen-widget-tt0068646 pending" data-titleid="tt0068646">
<div class="boundary">
<div class="popover">
<span class="delete"> </span><ol><li>1<li>2<li>3<li>4<li>5<li>6<li>7<li>8<li>9<li>10</li>0</li></li></li></li&td;</li></li></li></li></li></ol> </div>
</div>
<div class="inline">
<div class="pending"></div>
<div class="unseeable">NOT YET RELEASED</div>
<div class="unseen"> </div>
<div class="rating"></div>
<div class="seen">Seen</div>
</div>
</div>
</td>
<td class="watchlistColumn">
<div class="wlb_ribbon" data-recordmetrics="true" data-tconst="tt0068646"></div>
</td>
</tr>
>>>
>>> a_string.find_parents('td')
[<td class="titleColumn">
2.
<a href="/title/tt0068646/" title="Francis Ford Coppola (dir.), Marlon Brando, Al Pacino">The Godfather</a>
<span class="secondaryInfo">(1972)</span>
</td>]
类似的方法还有其他八种 −
find_next_siblings(name, attrs, string, limit, **kwargs) find_next_sibling(name, attrs, string, **kwargs) find_previous_siblings(name, attrs, string, limit, **kwargs) find_previous_sibling(name, attrs, string, **kwargs) find_all_next(name, attrs, string, limit, **kwargs) find_next(name, attrs, string, **kwargs) find_all_previous(name, attrs, string, limit, **kwargs) find_previous(name, attrs, string, **kwargs)
这里,
find_next_siblings() 和 find_next_sibling() 方法将遍历当前元素之后的所有兄弟元素。
find_previous_siblings() 和 find_previous_sibling() 方法将迭代当前元素之前的所有兄弟元素。
find_all_next() 和 find_next() 方法将遍历当前元素之后的所有标签和字符串。
find_all_previous 和 find_previous() 方法将遍历当前元素之前的所有标签和字符串。
CSS 选择器
BeautifulSoup 库支持最常用的 CSS 选择器。 您可以借助 select() 方法使用 CSS 选择器搜索元素。
这里有一些例子 −
>>> soup.select('title')
[<title>IMDb Top 250 - IMDb</title>, <title>IMDb Top Rated Movies</title>]
>>>
>>> soup.select("p:nth-of-type(1)")
[<p>The Top Rated Movie list only includes theatrical features.</p>, <p> class="imdb-footer__copyright _2-iNNCFskmr4l2OFN2DRsf">© 1990-2019 by IMDb.com, Inc.</p>]
>>> len(soup.select("p:nth-of-type(1)"))
2
>>> len(soup.select("a"))
609
>>> len(soup.select("p"))
2
>>> soup.select("html head title")
[<title>IMDb Top 250 - IMDb</title>, <title>IMDb Top Rated Movies</title>]
>>> soup.select("head > title")
[<title>IMDb Top 250 - IMDb</title>]
#print HTML code of the tenth li elemnet
>>> soup.select("li:nth-of-type(10)")
[<li class="subnav_item_main">
<a href="/search/title?genres=film_noir&sort=user_rating,desc&title_type=feature&num_votes=25000,">Film-Noir
</a> </li>]
