Documentação Beautiful Soup¶
Beautiful Soup é uma biblioteca Python de extração de dados de arquivos HTML e XML. Ela funciona com o seu interpretador (parser) favorito a fim de prover maneiras mais intuitivas de navegar, buscar e modificar uma árvore de análise (parse tree). Ela geralmente economiza horas ou dias de trabalho de programadores ao redor do mundo.
Estas instruções ilustram as principais funcionalidades do Beautiful Soup 4 com exemplos. Mostro para o que a biblioteca é indicada, como funciona, como se usa e como fazer aquilo que você quer e o que fazer quando ela frustra suas expectativas.
Os exemplos nesta documentação devem funcionar da mesma maneira em Python 2.7 e Python 3.2.
Você pode estar procurando pela documentação do Beautiful Soup 3. Se está, informo que o Beautiful Soup 3 não está mais sendo desenvolvido, e que o Beautiful Soup 4 é o recomendado para todos os novos projetos. Se você quiser saber as diferenças entre as versões 3 e 4, veja Portabilidade de código para BS4.
Esta documentação foi traduzida para outros idiomas pelos usuários do Beautiful Soup:
このページは日本語で利用できます(外部リンク)
Como conseguir ajuda:¶
Se você tem perguntas sobre o Beautiful Soup ou está com dificuldades, envie uma mensagem para nosso grupo de discussão. Se o seu problema envolve a interpretação de um documento HTML, não esqueça de mencionar o que a função diagnose() diz sobre seu documento.
Início Rápido¶
Este é o HTML que usarei como exemplo ao longo deste documento É um trecho de “Alice no País das Maravilhas”:
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>
"""
Executando o arquivo “three sisters” através do Beautiful Soup, ele nos
retorna um objeto BeautifulSoup, que apresenta o documento como uma estrutura
de dados aninhada:
from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc, 'html.parser')
print(soup.prettify())
# <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 class="sister" href="http://example.com/elsie" id="link1">
# Elsie
# </a>
# ,
# <a class="sister" href="http://example.com/lacie" id="link2">
# Lacie
# </a>
# and
# <a class="sister" href="http://example.com/tillie" id="link2">
# Tillie
# </a>
# ; and they lived at the bottom of a well.
# </p>
# <p class="story">
# ...
# </p>
# </body>
# </html>
Abaixo verificamos algumas maneiras simples de navegar na estrutura:
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>
Uma tarefa comum é extratir todas as URLs encontradas nas tags <a> de uma página:
for link in soup.find_all('a'):
print(link.get('href'))
# http://example.com/elsie
# http://example.com/lacie
# http://example.com/tillie
Outra tarefa comum é extrair todo o texto de uma página:
print(soup.get_text())
# The Dormouse's story
#
# The Dormouse's story
#
# Once upon a time there were three little sisters; and their names were
# Elsie,
# Lacie and
# Tillie;
# and they lived at the bottom of a well.
#
# ...
Isso se parece com o que você precisa? Então vá em frente!
Instalando o Beautiful Soup¶
Se você está usando uma versão recente das distribuições Linux Debian ou Ubuntu, você pode instalar o Beautiful Soup facilmente utilizando o gerenciador de pacotes
$ apt-get install python-bs4 (for Python 2)
$ apt-get install python3-bs4 (for Python 3)
O Beautiful Soup 4 também está publicado no PyPi. Portanto, se
você não conseguir instalá-lo através de seu gerenciador de pacotes, você
pode fazer isso com easy_install ou pip. O nome do pacote é beautifulsoup4,
e o mesmo pacote é válido tanto para Python 2 quanto Python 3. Tenha certeza de utilizar
a versão correta de pip ou easy_install para sua versão do Python (estarão
nomeados como pip3 ou easy_install3 ,respectivamente, se você estiver usando Python 3).
$ easy_install beautifulsoup4
$ pip install beautifulsoup4
(O pacote BeautifulSoup provavelmente não é o que você quer. Esta
é a versão anterior, Beautiful Soup 3. Muitos softwares utilizam
BS3, por isso ele ainda está disponível, mas se você está criando algo novo,
você deve instalar o beautifulsoup4.)
Se você não possui o easy_install ou pip instalados, você pode fazer
o download através do tarball do arquivo fonte do Beautiful Soup 4
<http://www.crummy.com/software/BeautifulSoup/download/4.x/>`_ e
instalar através do setup.py.
$ python setup.py install
Se tudo isso falhar, a licença do Beautiful Soup lhe permite empacotar
toda a biblioteca em sua aplicação. Você pode fazer o download do arquivo
tarball, copiar o diretório bs4 do código-fonte para sua aplicação e
utilizar o Beautiful Soup sem nenhum processo de instalação.
Eu utilizo Python 2.7 e Python 3.2 para desenvolver o Beautiful Soup, mas ele também funcionará com outras versões recentes.
Problemas após a instalação¶
O Beautiful Soup é empacotado em Python 2. Quando você o instala utilizando Python 3 ele é automaticamente convertido para esta versão. Se você não instalar o pacote, o código não será convertido. Também foi relatado versões erradas sendo instaladas em máquinas Windows.
Se você receber um ImportError “No module named HTMLParser”, seu problema
é que você está utilizando o formato de código Python 2 sob Python 3.
Se você receber um ImportError “No module named html.parser”, seu problema
é que você está utilizando o formato de código Python 3 sob Python 2.
Em ambos os casos, sua melhor opção é remover completamente a instalação do Beautiful Soup do seu sistema (incluindo qualquer diretório criado quando o tarball foi descompactado) e realizar a instalação novamente.
Se você receber um SyntaxError “Invalid syntax” na linha
ROOT_TAG_NAME = u'[document]', você terá que converter o Python 2
em Python 3. Você pode fazer isso instalando o pacote:
$ python3 setup.py install
ou manualmente executando o script de conversão 2to3 no
diretório bs4:
$ 2to3-3.2 -w bs4
Instalando um interpretador (parser)¶
O Beautiful Soup não só suporta o parser HTML incluído na biblioteca padrão do Python como também inúmeros parsers de terceiros. Um deles é o parser lxml. Dependendo de sua configuração, você podera instalar o lxml com algum dos seguintes comandos:
$ apt-get install python-lxml
$ easy_install lxml
$ pip install lxml
Outra alternativa é o parser html5lib do Python puro, o qual analisa o HTML da mesma maneira que o navegador o faz. Dependendo de sua configuração, você podera instalar o html5lib com algum dos seguintes comandos:
$ apt-get install python-html5lib
$ easy_install html5lib
$ pip install html5lib
Esta tabela resume as vantagens e desvantagens de cada parser:-
Parser |
Uso Padrão |
Vantagens |
Desvantagens |
html.parser (puro) |
|
|
|
HTML (lxml) |
|
|
|
XML (lxml) |
|
|
|
html5lib |
|
|
|
Se for possível recomendo que você instale e utilize o lxml pelo desempenho. Se você está utilizando o Python 2 anterior a 2.7.3 ou uma versão do Python 3 anterior a 3.2.2, é essencial que você instale o lxml ou o html5lib. O parser HTML nativo do Python não é muito bom para versões mais antigas.
Note que se um documento é inválido, diferentes parsers irão gerar diferentes árvores BeautifulSoup para isso. Veja Diferenças entre os interpretadores (parsers) para detalhes.
Criando a “Sopa”¶
Para analisar um documento, passe-o como argumento dentro de um construtor BeautifulSoup.
Você pode passar este argumento como uma string ou manipulador da função open():
from bs4 import BeautifulSoup
with open("index.html") as fp:
soup = BeautifulSoup(fp)
soup = BeautifulSoup("<html>data</html>")
Primeiro, o documento é convertido para Unicode e as entidades HTML são convertidas para caracteres Unicode:
BeautifulSoup("Sacré bleu!")
<html><head></head><body>Sacré bleu!</body></html>
O Beautiful Soup então interpreta o documento usando o melhor parser disponível. Ele irá utilizar um parser HTML ao menos que você indique a ele que utilize um parser XML. (Veja Analisando um XML.)
Tipos de objetos¶
O Beautiful Soup transforma um documento HTML complexo em uma complexa árvore de objetos Python.
Mas você terá apenas que lidar com quatro tipos de objetos: Tag, NavigableString, BeautifulSoup,
e Comment.
Tag¶
Um objeto Tag corresponde a uma tag XML ou HTML do documento original:
soup = BeautifulSoup('<b class="boldest">Extremely bold</b>')
tag = soup.b
type(tag)
# <class 'bs4.element.Tag'>
As tags possuem muitos atributos e métodos que eu falarei mais sobre em Navegando pela árvore e Buscando na árvore. Por agora, as características mais importantes da tag são seu nome e atributos.
Nome¶
Toda tag possui um nome, acessível através de .name:
tag.name
# u'b'
Se você mudar o nome de uma tag, a alteração será refletida em qualquer HTML gerado pelo Beautiful Soup:
tag.name = "blockquote"
tag
# <blockquote class="boldest">Extremely bold</blockquote>
Atributos¶
Uma tag pode ter inúmeros atributos. A tag <b id="boldest">
possui um atributo “id” que possui o valor “boldest”. Você pode
acessar um atributo de uma tag tratando-a como um dicionário:
tag['id']
# u'boldest'
Você pode acessar este dicionário diretamente através de .attrs:
tag.attrs
# {u'id': 'boldest'}
Você pode adicionar, remover ou modificar os atributos de uma tag. Novamente, isso pode ser feito tratando a tag como um dicionário:
tag['id'] = 'verybold'
tag['another-attribute'] = 1
tag
# <b another-attribute="1" id="verybold"></b>
del tag['id']
del tag['another-attribute']
tag
# <b></b>
tag['id']
# KeyError: 'id'
print(tag.get('id'))
# None
Atributos com múltiplos valores¶
O HTML 4 define alguns atributos que podem ter múltiplos valores. O HTML 5
removeu alguns deles, mas definiu alguns novos. O atributo mais comum
que pode receber múltiplos valores é o class (ou seja, a tag pode ter mais de uma classe CSS).
Outros são rel, rev, accept-charset, headers, e accesskey.
O Beautiful Soup apresenta o(s) valor(es) de um atributo deste tipo como uma lista:
css_soup = BeautifulSoup('<p class="body"></p>')
css_soup.p['class']
# ["body"]
css_soup = BeautifulSoup('<p class="body strikeout"></p>')
css_soup.p['class']
# ["body", "strikeout"]
Se um atributo possui mais de um valor, mas não é um atributo que aceita múltiplos valores conforme definido por qualquer versão do padrão HTML, o Beautiful Soup retornará como um valor único:
id_soup = BeautifulSoup('<p id="my id"></p>')
id_soup.p['id']
# 'my id'
Quando a tag é transformada novamente em string, os valores do atributo múltiplo são consolidados:
rel_soup = BeautifulSoup('<p>Back to the <a rel="index">homepage</a></p>')
rel_soup.a['rel']
# ['index']
rel_soup.a['rel'] = ['index', 'contents']
print(rel_soup.p)
# <p>Back to the <a rel="index contents">homepage</a></p>
Você pode desabilitar esta opção passando multi_valued_attributes=None como argumento
dentro do construtor BeautifulSoup
no_list_soup = BeautifulSoup('<p class="body strikeout"></p>', 'html', multi_valued_attributes=None)
no_list_soup.p['class']
# u'body strikeout'
Você pode utilizar `get_attribute_list para retornar um valor no formato de lista, seja um atributo de
múltiplos valores ou não:
id_soup.p.get_attribute_list('id')
# ["my id"]
Se você analisar um documento como XML, nenhum atributo será tratado como de múltiplos valores:
xml_soup = BeautifulSoup('<p class="body strikeout"></p>', 'xml')
xml_soup.p['class']
# u'body strikeout'
Novamente, você pode configurar isto usando o argumento multi_valued_attributes:
class_is_multi= { '*' : 'class'}
xml_soup = BeautifulSoup('<p class="body strikeout"></p>', 'xml', multi_valued_attributes=class_is_multi)
xml_soup.p['class']
# [u'body', u'strikeout']
Você provavelmente não precisará fazer isso, mas se fizer, use os padrões como guia. Eles implementam as regras descritas na especificação do HTML:
from bs4.builder import builder_registry
builder_registry.lookup('html').DEFAULT_CDATA_LIST_ATTRIBUTES
BeautifulSoup¶
O objeto BeautifulSoup em si representa o documento como um todo.
Para maioria dos propósitos, você pode tratá-lo como um objeto Tag.
Isso significa que irá suportar a maioria dos métodos descritos em
Navegando pela árvore e Buscando na árvore.
Sabendo que o objeto BeautifulSoup não corresponde a uma tag
HTML ou XML propriamente dita, ele não tem nome e nem atributos. Mas em alguns
casos é útil observar seu .name; então, foi dado o especial
.name “[document]”:
soup.name
# u'[document]'
Comentários e outras strings especiais¶
Tag, NavigableString, e BeautifulSoup abrangem quase
tudo o que você encontrará em um arquivo HTML ou XML, mas há alguns
pontos faltando. O único deles que você provavelmente precisará se preocupar
é o comentário:
markup = "<b><!--Hey, buddy. Want to buy a used parser?--></b>"
soup = BeautifulSoup(markup)
comment = soup.b.string
type(comment)
# <class 'bs4.element.Comment'>
O objeto Comment é apenas um tipo especial de NavigableString:
comment
# u'Hey, buddy. Want to buy a used parser'
Mas quando aparece como parte de um documento HTML, um Comment é
exibido com uma formatação especial:
print(soup.b.prettify())
# <b>
# <!--Hey, buddy. Want to buy a used parser?-->
# </b>
O Beautiful Soup define classes para qualquer outra coisa que possa
aparecer em um documento XML: CData, ProcessingInstruction,
Declaration e Doctype. Assim como Comment, estas classes
são subclasses de NavigableString que adicionam algo a string.
Aqui está um exemplo que substitui o comentário por um bloco CDATA:
from bs4 import CData
cdata = CData("A CDATA block")
comment.replace_with(cdata)
print(soup.b.prettify())
# <b>
# <![CDATA[A CDATA block]]>
# </b>
Buscando na árvore¶
O Beautiful Soup define vários métodos para buscar na árvore que está sendo analisada,
mas eles são todos muito similares. Vou usar a maior parte do tempo para explicar os dois mais
populares métodos: find() e find_all(). Os outros métodos recebem exatamente
os mesmos argumentos, portanto, vou cobrí-los apenas brevemente.
Mais uma vez, utilizarei o documento “three sisters” como exemplo:
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>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc, 'html.parser')
Utilizando em um filtro um argumento como find_all(), você pode
“dar um zoom” nas partes do documento que você está interessado.
Tipos de filtros¶
Antes de entrar em detalhes sobre o find_all() e métodos similares,
quero mostrar exemplos de diferentes filtros que você pode passar dentro
destes métodos. Estes filtros aparecerão de novo e de novo por toda API
de pesquisa. Você pode usá-los para realizar filtros baseados nos nomes das tags,
nos seus atributos, no texto de uma strings ou em alguma combinação entre eles.
Uma string¶
O filtro mais simples é uma string. Passando uma string para um método de pesquisa, o Beautiful Soup irá buscar uma correspondência a esta exata string. O seguinte código encontrará todas as tags <b> no documento:
soup.find_all('b')
# [<b>The Dormouse's story</b>]
Se você passar uma byte string, o Beautiful Soup assumirá que a string esta codificada como UTF-8. Você pode evitar isso passando ao invés disso uma string Unicode.
Uma expressão regular (regex)¶
Se você passar um objeto regex, o Beautiful Soup irá
realizar um filtro com ela utilizando seu método search().
O código seguinte buscará todas as tags as quais os nomes comecem com
a letra “b”; neste caso, a tag <body> e a tag <b>:
import re
for tag in soup.find_all(re.compile("^b")):
print(tag.name)
# body
# b
Este código buscará todas as tags cujo nome contenha a letra “t”:
for tag in soup.find_all(re.compile("t")):
print(tag.name)
# html
# title
Uma lista¶
Se você passar uma lista, o Beautiful Soup irá buscar uma correspondência com qualquer item dessuma lista. O código seguinte buscará todas as tags <a> e todas as tags <b>:
soup.find_all(["a", "b"])
# [<b>The Dormouse's story</b>,
# <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>]
True¶
O valor True irá corresponder com tudo.
O código abaixo encontrará todas as tags do documento,
mas nenhuma das strings:
for tag in soup.find_all(True):
print(tag.name)
# html
# head
# title
# body
# p
# b
# p
# a
# a
# a
# p
Uma função¶
Se nenhuma das opções anteriores funcionar para você, defina uma
função que pegará um elemento como seu único argumento. A função
deverá retornar True se o argumento corresponder e False
caso contrário.
Aqui você tem uma função que irá retornar True se uma tag definir
o atributo class, mas não definir o atributo id:
def has_class_but_no_id(tag):
return tag.has_attr('class') and not tag.has_attr('id')
Passe esta função dentro de find_all() e você irá retornar todas
as tags <p>:
soup.find_all(has_class_but_no_id)
# [<p class="title"><b>The Dormouse's story</b></p>,
# <p class="story">Once upon a time there were...</p>,
# <p class="story">...</p>]
Esta função irá encontrar apenas as tags <p>. Não irá encontrar as tags <a>, porque elas definem “class e “id” ao mesmo tempo. Ela não encontrará as tags <html> e <title>, porque estas tags não definem um atributo “class”.
Se você passar uma função para filtrar um atributo específico como
href, o argumento passado na função será o nome do atributo e
não toda a tag. Aqui vemos uma função que encontra todas as tags <a>
em que o atributo href não corresponde a expressão regular passada:
def not_lacie(href):
return href and not re.compile("lacie").search(href)
soup.find_all(href=not_lacie)
# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
# <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
A função pode ser tão complexa quanto você precise que seja.
Aqui temos uma função que retorna True se uma tag esta
cercada por objetos string:
from bs4 import NavigableString
def surrounded_by_strings(tag):
return (isinstance(tag.next_element, NavigableString)
and isinstance(tag.previous_element, NavigableString))
for tag in soup.find_all(surrounded_by_strings):
print tag.name
# p
# a
# a
# a
# p
Agora nós estamos prontos para olhar os métodos de busca em detalhes.
find_all()¶
Definição: find_all(name, attrs, recursive, string, limit, **kwargs)
O método find_all() busca entre os decendentes de uma tag e retorna todos os decendentes
que correspondem a seus filtros. Dei diversos exemplos em Tipos de filtros,
mas aqui estão mais alguns:
soup.find_all("title")
# [<title>The Dormouse's story</title>]
soup.find_all("p", "title")
# [<p class="title"><b>The Dormouse's story</b></p>]
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_all(id="link2")
# [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]
import re
soup.find(string=re.compile("sisters"))
# u'Once upon a time there were three little sisters; and their names were\n'
Alguns podem parecer familiares, mas outros são novos.
O que significa passar um valor string ou id? Por que
find_all("p", "title") encontra uma tag <p> com a classe CSS “title”?
Vamos dar uma olhada nos argumentos de find_all().
O argumento name¶
Passe um valor para name e você dirá para o Beautiful Soup
considerar apenas as tags com certos nomes. Strings de texto seão ignoradas,
assim como os nomes que não corresponderem ao argumento name
Este é o uso mais simples:
soup.find_all("title")
# [<title>The Dormouse's story</title>]
Lembre-se de Tipos de filtros que o valor para name pode ser uma
string, uma expressão regular, uma lista, uma função, ou
o valor True.
Os argumentos “palavras-chave”¶
Qualquer argumento que não for reconhecido se tornará um filtro
de atributos da tag. Se você passar um valor para um argumento
chamado id, o Beautiful Soup irá buscar correspondentes entre
todas tags id:
soup.find_all(id='link2')
# [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]
Se você passar um valor para href, o Beautiful Soup buscar correspondentes
em cada tag que possua o atributo href:
soup.find_all(href=re.compile("elsie"))
# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]
Você pode filtrar um atributo baseado em uma string, uma expressão regular, uma lista, uma função, ou o valor True.
Este código encontra todas as tags em que o atributo id
possuem um valor, independente de qual valor seja:
soup.find_all(id=True)
# [<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>]
Você pode filtrar múltiplos atributos de uma vez passando mais de um argumento palavra-chave:
soup.find_all(href=re.compile("elsie"), id='link1')
# [<a class="sister" href="http://example.com/elsie" id="link1">three</a>]
Alguns atributos, como o atributo data-* do HTML5, possuem nomes que não podem ser usados como argumentos palavra-chave::
data_soup = BeautifulSoup('<div data-foo="value">foo!</div>')
data_soup.find_all(data-foo="value")
# SyntaxError: keyword can't be an expression
Você pode usar estes atributos para realizar buscas, colocando-os
em um dicionário e passando o dicionário em find_all(), como o argumento
attrs:
data_soup.find_all(attrs={"data-foo": "value"})
# [<div data-foo="value">foo!</div>]
Você não pode utilizar um argumento palavra-chave para buscar pelo elemento
HTML “name”, porque o Beautiful Soup utiliza o argumento name para
conter o nome da própria tag. Ao invés disso, você pode passar o valor para
“name” no argumento attrs:
name_soup = BeautifulSoup('<input name="email"/>')
name_soup.find_all(name="email")
# []
name_soup.find_all(attrs={"name": "email"})
# [<input name="email"/>]
Buscando por uma classe CSS¶
É muito útil buscar por uma tag que tem uma certa classe CSS, mas
o nome do atributo CSS, “class”, é uma palavra reservada no Python.
Utilizar class como um argumento palavra-chave lhe trará um erro
de sintaxe. A partir do Beautiful Soup 4.1.2, você pode buscar por uma
classe CSS utilizando o argumento palavra-chave class_:
soup.find_all("a", class_="sister")
# [<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>]
Assim como qualquer argumento palavra-chave, você pode passar para class_
uma string, uma expressão regular (regex), uma função ou True:
soup.find_all(class_=re.compile("itl"))
# [<p class="title"><b>The Dormouse's story</b></p>]
def has_six_characters(css_class):
return css_class is not None and len(css_class) == 6
soup.find_all(class_=has_six_characters)
# [<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>]
Lembre-se que uma tag pode ter valores múltiplos para seu atributo classe. Quando você buscar por uma tag que tenha uma certa classe CSS, você esta buscando correspodência em qualquer de suas classes CSS:
css_soup = BeautifulSoup('<p class="body strikeout"></p>')
css_soup.find_all("p", class_="strikeout")
# [<p class="body strikeout"></p>]
css_soup.find_all("p", class_="body")
# [<p class="body strikeout"></p>]
Você pode também buscar por uma string exata como valor de class:
css_soup.find_all("p", class_="body strikeout")
# [<p class="body strikeout"></p>]
Mas ao procurar por variações de uma string, isso não irá funcionar:
css_soup.find_all("p", class_="strikeout body")
# []
Se voce quiser buscar por tags que correspondem a duas ou mais classes CSS, você deverá utilizar um seletor CSS:
css_soup.select("p.strikeout.body")
# [<p class="body strikeout"></p>]
Em versões mais antigas do Beautiful Soup, as quais não possuem o atalho class_
você pode utilizar o truque attrs conforme mencionado acima. Será criado um dicionário
do qual o valor para “class” seja uma string ( ou uma expressão regular, ou qualquer
outra coisa) que você queira procurar:
soup.find_all("a", attrs={"class": "sister"})
# [<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>]
O argumento string¶
Com string você pode buscar por strings ao invés de tags. Assim como
name e os argumentos palavras-chave, você pode passar uma string, uma
expressão regular, uma lista, uma função, ou
o valor True. Aqui estão alguns exemplos:
soup.find_all(string="Elsie")
# [u'Elsie']
soup.find_all(string=["Tillie", "Elsie", "Lacie"])
# [u'Elsie', u'Lacie', u'Tillie']
soup.find_all(string=re.compile("Dormouse"))
[u"The Dormouse's story", u"The Dormouse's story"]
def is_the_only_string_within_a_tag(s):
"""Return True if this string is the only child of its parent tag."""
return (s == s.parent.string)
soup.find_all(string=is_the_only_string_within_a_tag)
# [u"The Dormouse's story", u"The Dormouse's story", u'Elsie', u'Lacie', u'Tillie', u'...']
Mesmo que string seja para encontrar strings, você pode combiná-lo com argumentos
para encontrar tags: o Beautiful Soup encontrará todas as tags as quais
.string corresponder seu valor em string. O código seguinte encontra
a tag <a>, a qual a .string é “Elsie”:
soup.find_all("a", string="Elsie")
# [<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>]
O argumento string é novo no Beautiful Soup 4.4.0. Em versões anteriores
ele era chamado de text:
soup.find_all("a", text="Elsie")
# [<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>]
O argumento limit¶
find_all() retorna todas as tags e strings que correspondem aos seus
filtros. Isso pode levar algum tmepo se o documento for extenso. Se você
não precisar de todos os resultados, você pode passar um número limite
(limit). Ele funciona assim como o parâmetro LIMIT utilizado em SQL.
Ele diz ao Beautiful Soup para parar de adquirir resultados assim que atingir
um certo número.
Existem três links no documento “three sisters”, mas este código encontra somente os dois primeiros:
soup.find_all("a", limit=2)
# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
# <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]
O argumento recursive¶
Se você chamar mytag.find_all(), o Beautiful Soup irá examinar todos os descendentes
de mytag: suas filhas, as filhas de suas filhas e daí em diante. Se você quer apenas que
o Beautiful Soup considere filhas diretas, você pode passar o parâmetro recursive=False.
Veja a diferença aqui:
soup.html.find_all("title")
# [<title>The Dormouse's story</title>]
soup.html.find_all("title", recursive=False)
# []
Aqui está o trecho do documento:
<html>
<head>
<title>
The Dormouse's story
</title>
</head>
...
O tag <title> esta abaixo da tag <html>, mas não está diretamente
abaixo de <html>: a tag <head> está no caminho entre elas. O Beautiful Soup encontra a tag
<title> quando é autorizado a olhar todos os descendentes de <html>, mas
quando recursive=False é restringido o acesso as filhas imediatas de <html>.
O Beautiful Soup oferece diversos métodos de busca na árvore (como vimos acima), e a maioria
deles recebe os mesmos argumentos que find_all(): name,
attrs, string, limit, e os argumentos palavras-chave. Mas o
argumento recursive é diferente: find_all() e find() são
os únicos métodos que o suportam. Passar recursive=False em um método
como find_parents() não seria muito útil.
Chamar uma tag é como chamar find_all()¶
Por find_all() ser o método mais popular na API de busca do
Beautiful Soup, você pode usar um atalho para ele. Se você tratar
o objeto BeautifulSoup ou um objeto Tag como se fosse uma
função, então é o mesmo que chamar find_all() para aquele objeto.
Estas duas linhas de código são equivalentes:
soup.find_all("a")
soup("a")
Estas duas linhas também são equivalentes:
soup.title.find_all(string=True)
soup.title(string=True)
find()¶
Signature: find(name, attrs, recursive, string, **kwargs)
O método find_all() varre todo o documento em busca de resultados,
mas algumas vezes você irá querer apenas um resultado. Se você sabe que
o documento possui apenas uma tag <body>, é perda de tempo varrer todo o
o documento procurando por outras. Ao invés de passar limit=1
toda vez em que chamar find_all, você pode usar o método find().
Estas duas linhas de código são quase equivalentes:
soup.find_all('title', limit=1)
# [<title>The Dormouse's story</title>]
soup.find('title')
# <title>The Dormouse's story</title>
A única diferença é que find_all() retorna uma lista contendo apenas
um resuldado, enquanto find() retorna o resultado.
Se find_all() não encontrar nada, ele retornará uma lista vazia. Se
find() não encontrar nada, ele retornará None:
print(soup.find("nosuchtag"))
# None
Lembre-se do truque soup.head.title de Navegar usando os nomes das tags?
Aquele truque funciona chamando repetidamente find():
soup.head.title
# <title>The Dormouse's story</title>
soup.find("head").find("title")
# <title>The Dormouse's story</title>
find_parents() e find_parent()¶
Signature: find_parents(name, attrs, string, limit, **kwargs)
Signature: find_parent(name, attrs, string, **kwargs)
Levei muito tempo cobrindo find_all() e find() acima.
O API do Beautiful Soup define dez outros métodos
para buscas na árvore, mas não tenha medo! Cinco destes métodos são
basicamente o mesmo que find_all(), e os outros cinco são basicamente
o mesmo que find(). A única diferença está em qual parte da árvore
eles procuram.
Primeiro vamos considerar find_parents() e
find_parent(). Lembre-se que find_all() e find() trabalham
de sua própria maneira descendo através da árvore, procurando pelos
descendentes de uma tag. Estes métodos fazem o contrário: eles trabalham
subindo a árvore, procurando pelas mães de uma tag (ou string).
Vamos experimentá-los: começando por uma string “enterrada” no documento
“three daughters”:
a_string = soup.find(string="Lacie")
a_string
# u'Lacie'
a_string.find_parents("a")
# [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]
a_string.find_parent("p")
# <p class="story">Once upon a time there were three little sisters; and their names were
# <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
# <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
# <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
# and they lived at the bottom of a well.</p>
a_string.find_parents("p", class_="title")
# []
Uma das três tags <a> é diretamente um nível superior da string em
questão, então nossa busca a encontra. Uma das três tags <p> é uma mãe
indireta da string e nossa busca também a encontra. Há uma tag <p> com
a classe CSS “title” em algum lugar no documento, mas não é nenhuma das tags mães
da string, portanto, não podemos encontrá-la com find_parents().
Você já deve ter feito a conexão entre find_parent() e
find_parents(), e os atributos .parent e .parents mencionados
anteriormente. A conexão é muito forte. Estes métodos de busca utilizam .parents
para iterar sobre todos as mãesS e compara cada um com o filtro passado
para verificar se preenche o requisito.
find_next_siblings() e find_next_sibling()¶
Signature: find_next_siblings(name, attrs, string, limit, **kwargs)
Signature: find_next_sibling(name, attrs, string, **kwargs)
Estes métodos utilizam .next_siblings para
iterar sobre o resto dos filhos de um elemento da árvore. O método
find_next_siblings() retornará todos os filhos que atendem o
requisito find_next_sibling() retorna apenas o primeiro:
first_link = soup.a
first_link
# <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
first_link.find_next_siblings("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>]
first_story_paragraph = soup.find("p", "story")
first_story_paragraph.find_next_sibling("p")
# <p class="story">...</p>
find_previous_siblings() e find_previous_sibling()¶
Signature: find_previous_siblings(name, attrs, string, limit, **kwargs)
Signature: find_previous_sibling(name, attrs, string, **kwargs)
Estes métodos utilizam .previous_siblings para iterar sobre os filhos de um elemento que
o precede na árvore. O método find_previous_siblings()
retorna todos os filhos que atendem o requisito e
find_previous_sibling() retorna apenas o primeiro:
last_link = soup.find("a", id="link3")
last_link
# <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
last_link.find_previous_siblings("a")
# [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>,
# <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]
first_story_paragraph = soup.find("p", "story")
first_story_paragraph.find_previous_sibling("p")
# <p class="title"><b>The Dormouse's story</b></p>
find_all_next() e find_next()¶
Signature: find_all_next(name, attrs, string, limit, **kwargs)
Signature: find_next(name, attrs, string, **kwargs)
Estes métodos utilizam .next_elements para
iterar sobre qualquer tag e string que aparecer depois da atual no documento.
O método find_all_next() retorna todos os casos que atendem, e
find_next() retorna somente o primeiro caso:
first_link = soup.a
first_link
# <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
first_link.find_all_next(string=True)
# [u'Elsie', u',\n', u'Lacie', u' and\n', u'Tillie',
# u';\nand they lived at the bottom of a well.', u'\n\n', u'...', u'\n']
first_link.find_next("p")
# <p class="story">...</p>
No primeiro exemplo, a string “Elsie” foi encontrada, mesmo estando dentro da tag <a>. No segundo exemplo, a última tag <p> do documento foi encontrada, mesmo que não esteja na mesma parte da árvore que <a> onde começamos. Para estes métodos, o que importa é que um elemento corresponda ao filtro e esteja depois do elemento de início no documento.
find_all_previous() e find_previous()¶
Signature: find_all_previous(name, attrs, string, limit, **kwargs)
Signature: find_previous(name, attrs, string, **kwargs)
Estes métodos utilizam .previous_elements para
iterar sobre as tags e strings que aparecem antes do elemento indicado no argumento.
O método find_all_previous() retorna todos que correspondem a busca e o método
find_previous() apenas a primeira correspondência:
first_link = soup.a
first_link
# <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
first_link.find_all_previous("p")
# [<p class="story">Once upon a time there were three little sisters; ...</p>,
# <p class="title"><b>The Dormouse's story</b></p>]
first_link.find_previous("title")
# <title>The Dormouse's story</title>
Quando se chama find_all_previous("p") é encontrado não só o
primeiro parágrafo do documento (o que possui class=”title”), mas também o
segundo parágrafo, a tag <p> que contém a tag <a> por onde começamos.
Isso não deveria ser tão surpreendente: nós estamos olhando para todas as tags
que apareceram anteriormente no documento incluindo aquela onde começamos. Uma
tag <p> que contenha uma tag <a> deve aparecer antes da tag <a> que ela contém.
Seletores CSS¶
A partir da versão 4.7.0, o Beautiful Soup suporta a maior parte dos seletores CSS4
através do projeto SoupSieve. Se você
instalou o Beautiful Soup através do pip,o SoupSieve foi instalado ao mesmo tempo,
portanto você não precisará realizar nenhuma etapa adicional.
BeautifulSoup possui um método .select() o qual utiliza o SoupSieve para
executar um seletor CSS selector sobre um documento a ser analisado e retorna todos os
elementos correspondentes. Tag possui um método similar que executa um seletor CSS
sobre o conteúdo de uma única tag.
- (Versões anteriores do Beautiful Soup também possuem o método
.select(), mas somente os seletores CSS mais populares são suportados.
A documentação SoupSieve lista todos os seletores suportados atualmente, mas aqui estão alguns dos básicos:
Você pode encontrar tags:
soup.select("title")
# [<title>The Dormouse's story</title>]
soup.select("p:nth-of-type(3)")
# [<p class="story">...</p>]
- Encontrar tags aninhadas com outras::
soup.select(“body 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.select(“html head title”) # [<title>The Dormouse’s story</title>]
Encontrar tags diretamente abaixo de outras tags no aninhamento:
soup.select("head > title")
# [<title>The Dormouse's story</title>]
soup.select("p > 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.select("p > a:nth-of-type(2)")
# [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]
soup.select("p > #link1")
# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]
soup.select("body > a")
# []
Encontrar as irmãs de alguma tag:
soup.select("#link1 ~ .sister")
# [<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.select("#link1 + .sister")
# [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]
Encontrar tags pela classe CSS:
soup.select(".sister")
# [<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.select("[class~=sister]")
# [<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>]
Encontrar tags pelo ID:
soup.select("#link1")
# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]
soup.select("a#link2")
# [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]
Encontrar tags que se relacionam com qualquer seletor em uma lista de seletores:
soup.select("#link1,#link2")
# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
# <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]
Testar a existência de um atributo:
soup.select('a[href]')
# [<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>]
Encontrar tags pelo valor do atributo:
soup.select('a[href="http://example.com/elsie"]')
# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]
soup.select('a[href^="http://example.com/"]')
# [<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.select('a[href$="tillie"]')
# [<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
soup.select('a[href*=".com/el"]')
# [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]
Há outro método chamado select_one(), o qual encontra somente
a primeira tag que combina com um seletor:
soup.select_one(".sister")
# <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
Se você analisou um XML que define namespaces, você pode utilizar nos seletores CSS:
from bs4 import BeautifulSoup
xml = """<tag xmlns:ns1="http://namespace1/" xmlns:ns2="http://namespace2/">
<ns1:child>I'm in namespace 1</ns1:child>
<ns2:child>I'm in namespace 2</ns2:child>
</tag> """
soup = BeautifulSoup(xml, "xml")
soup.select("child")
# [<ns1:child>I'm in namespace 1</ns1:child>, <ns2:child>I'm in namespace 2</ns2:child>]
soup.select("ns1|child", namespaces=namespaces)
# [<ns1:child>I'm in namespace 1</ns1:child>]
Quando manipulando um seletor CSS que utiliza namespaces,o Beautiful Soup utiliza a abreviação do namespace que encontrou quando estava analisando o documento. Você pode evitar isso passando um dicionário com suas próprias abreviações:
namespaces = dict(first="http://namespace1/", second="http://namespace2/")
soup.select("second|child", namespaces=namespaces)
# [<ns1:child>I'm in namespace 2</ns1:child>]
Todo este negócio de seletor CSS é conveniente para pessoas que já sabem a sintaxe do seletor CSS. Você pode fazer tudo isso com a API do BeautifulSoup. E se os seletores CSS são tudo o que você precisa, você deveria analisar o documento com lxml: é mais rápido. Mas isso deixa você combinar seletores CSS com a API do Beautiful Soup.
Modificando a árvore¶
O principal poder do Beautiful Soup está na busca pela árvore, mas você pode também modificar a árvore e escrever suas modificações como um novo documento HTML ou XML.
Modificando .string¶
Se você definir o um atributo .string de uma tag, o conteúdo da
tag será substituido pela string que foi passada:
markup = '<a href="http://example.com/">I linked to <i>example.com</i></a>'
soup = BeautifulSoup(markup)
tag = soup.a
tag.string = "New link text."
tag
# <a href="http://example.com/">New link text.</a>
Cuidado: se a tag conter outra(s) tag(s), ela(s) e todo seu conteúdo serão destruídos.
append()¶
Você pode adicionar algo no conteúdo de uma tag com Tag.append(). Funciona
da mesma maneira que .append() de uma lista:
soup = BeautifulSoup("<a>Foo</a>")
soup.a.append("Bar")
soup
# <html><head></head><body><a>FooBar</a></body></html>
soup.a.contents
# [u'Foo', u'Bar']
extend()¶
Com início no Beautiful Soup 4.7.0, Tag também suporta um método chamado
.extend(), o qual funciona da mesma maneira que chamando .extend() em
uma lista:
soup = BeautifulSoup("<a>Soup</a>")
soup.a.extend(["'s", " ", "on"])
soup
# <html><head></head><body><a>Soup's on</a></body></html>
soup.a.contents
# [u'Soup', u''s', u' ', u'on']
insert()¶
Tag.insert() funciona assim como Tag.append(), exceto que o novo elemento
não será inserido ao final do .contents de sua tag mãe. Ele será inserido em qualquer posição
numérica que você informar. Funciona assim como .insert() em uma lista:
markup = '<a href="http://example.com/">I linked to <i>example.com</i></a>'
soup = BeautifulSoup(markup)
tag = soup.a
tag.insert(1, "but did not endorse ")
tag
# <a href="http://example.com/">I linked to but did not endorse <i>example.com</i></a>
tag.contents
# [u'I linked to ', u'but did not endorse', <i>example.com</i>]
insert_before() e insert_after()¶
O método insert_before() insere tags ou strings imediatamente antes de algo
na árvore:
soup = BeautifulSoup("<b>stop</b>")
tag = soup.new_tag("i")
tag.string = "Don't"
soup.b.string.insert_before(tag)
soup.b
# <b><i>Don't</i>stop</b>
O método insert_after() insere tags ou strings imediatamente após algo
na árvore:
div = soup.new_tag('div')
div.string = 'ever'
soup.b.i.insert_after(" you ", div)
soup.b
# <b><i>Don't</i> you <div>ever</div> stop</b>
soup.b.contents
# [<i>Don't</i>, u' you', <div>ever</div>, u'stop']
clear()¶
O Tag.clear() remove o conteúdo de uma tag:
markup = '<a href="http://example.com/">I linked to <i>example.com</i></a>'
soup = BeautifulSoup(markup)
tag = soup.a
tag.clear()
tag
# <a href="http://example.com/"></a>
extract()¶
O PageElement.extract() remove uma tag ou string da árvore. Ele retorna
a tag ou string que foi extraída:
markup = '<a href="http://example.com/">I linked to <i>example.com</i></a>'
soup = BeautifulSoup(markup)
a_tag = soup.a
i_tag = soup.i.extract()
a_tag
# <a href="http://example.com/">I linked to</a>
i_tag
# <i>example.com</i>
print(i_tag.parent)
None
Neste ponto você efetivamente tem duas árvores de análise: uma baseada no objeto
BeautifulSoup que você usou para analisar o documento, e outra baseada na tag que foi
extraída. Você pode também chamar extract em um filho do elemento que você extraiu:
my_string = i_tag.string.extract()
my_string
# u'example.com'
print(my_string.parent)
# None
i_tag
# <i></i>
decompose()¶
O Tag.decompose() remove uma tag da árvore, então destrói completamente ela
e seu conteúdo:
markup = '<a href="http://example.com/">I linked to <i>example.com</i></a>'
soup = BeautifulSoup(markup)
a_tag = soup.a
soup.i.decompose()
a_tag
# <a href="http://example.com/">I linked to</a>
replace_with()¶
Um PageElement.replace_with() remove uma tag ou string da árvore e
substitui pela tag ou string que você escolher:
markup = '<a href="http://example.com/">I linked to <i>example.com</i></a>'
soup = BeautifulSoup(markup)
a_tag = soup.a
new_tag = soup.new_tag("b")
new_tag.string = "example.net"
a_tag.i.replace_with(new_tag)
a_tag
# <a href="http://example.com/">I linked to <b>example.net</b></a>
replace_with() retorna a tag ou string que foi substituída, então você pode
examiná-la ou adicioná-la novamente em outra parte da árvore.
wrap()¶
O PageElement.wrap() envelopa um elemento na tag que você especificar. Ele
retornará o novo empacotador:
soup = BeautifulSoup("<p>I wish I was bold.</p>")
soup.p.string.wrap(soup.new_tag("b"))
# <b>I wish I was bold.</b>
soup.p.wrap(soup.new_tag("div")
# <div><p><b>I wish I was bold.</b></p></div>
Este método é novo no Beautiful Soup 4.0.5.
unwrap()¶
O Tag.unwrap() é o oposto de wrap(). Ele substitui uma tag pelo
que estiver dentro dela. É uma boa maneira de remover marcações:
markup = '<a href="http://example.com/">I linked to <i>example.com</i></a>'
soup = BeautifulSoup(markup)
a_tag = soup.a
a_tag.i.unwrap()
a_tag
# <a href="http://example.com/">I linked to example.com</a>
Assim como replace_with(), unwrap() retorna a tag que foi
substituída.
smooth()¶
Após chamar vários métodos que modificam a árvore, você pode acabar com um ou dois objetos NavigableString próximos um ao outro. O Beautiful Soup não tem nenhum problema com isso, mas como isso não pode acontecer em um documento que acabou de ser analisado, você não deve esperar um comportamento como o seguinte:
soup = BeautifulSoup("<p>A one</p>")
soup.p.append(", a two")
soup.p.contents
# [u'A one', u', a two']
print(soup.p.encode())
# <p>A one, a two</p>
print(soup.p.prettify())
# <p>
# A one
# , a two
# </p>
Você pode chamar Tag.smooth() para limpar a árvore analisada, consolidando strings adjacentes:
soup.smooth()
soup.p.contents
# [u'A one, a two']
print(soup.p.prettify())
# <p>
# A one, a two
# </p>
O método smooth() é novo no Beautiful Soup 4.8.0.
Saída¶
Pretty-printing¶
O método prettify() irá transformar uma árvore do Beautiful Soup em
uma string Unicode devidamente formatada, com uma linha para cada tag e cada string:
markup = '<a href="http://example.com/">I linked to <i>example.com</i></a>'
soup = BeautifulSoup(markup)
soup.prettify()
# '<html>\n <head>\n </head>\n <body>\n <a href="http://example.com/">\n...'
print(soup.prettify())
# <html>
# <head>
# </head>
# <body>
# <a href="http://example.com/">
# I linked to
# <i>
# example.com
# </i>
# </a>
# </body>
# </html>
Você pode chamar prettify() no top-level do objeto BeautifulSoup,
ou em qualquer de seus objetos Tag:
print(soup.a.prettify())
# <a href="http://example.com/">
# I linked to
# <i>
# example.com
# </i>
# </a>
Non-pretty printing¶
Se você quer apenas uma string, sem nenhuma formatação, você pode chamar
unicode() ou str() para o objeto BeautifulSoup ou uma Tag
dentro dele:
str(soup)
# '<html><head></head><body><a href="http://example.com/">I linked to <i>example.com</i></a></body></html>'
unicode(soup.a)
# u'<a href="http://example.com/">I linked to <i>example.com</i></a>'
A função str() retorna uma string codificada em UTF-8. Veja
Codificação (Encoding) para outras opções.
Você também pode chamar encode() para ter uma bytestring, e decode()
para ter Unicode.
Output formatters¶
Se você der para o Beautiful Soup um documento que contém entidades HTML como “&lquot;”, elas serão convertidades em caracteres Unicode:
soup = BeautifulSoup("“Dammit!” he said.")
unicode(soup)
# u'<html><head></head><body>\u201cDammit!\u201d he said.</body></html>'
Se você converter o documento em uma string, os caracteres Unicode serão codificados como UTF-8. Você não irá ter suas entidades HTML de volta:
str(soup)
# '<html><head></head><body>\xe2\x80\x9cDammit!\xe2\x80\x9d he said.</body></html>'
Por padrão, os únicos caracteres que escapam desta saída são o & e os sinais de <>. Eles são convertidos em “&”, “<”, e “>”, com isso o Beautiful Soup não gera HTML e XML inválidos de maneira inadvertida.
soup = BeautifulSoup(“<p>The law firm of Dewey, Cheatem, & Howe</p>”) soup.p # <p>The law firm of Dewey, Cheatem, & Howe</p>
soup = BeautifulSoup(‘<a href=”http://example.com/?foo=val1&bar=val2”>A link</a>’) soup.a # <a href=”http://example.com/?foo=val1&bar=val2”>A link</a>
Você pode alterar este comportamento informando um valor para o argumento de
formatter para prettify(), encode(), ou
decode(). Beautiful Soup reconhece cinco possiveis valores para formatter.
O padrão é formatter="minimal". Strings sempre serão processadas de maneira a garantir que o Beautiful Soup gere HTML/XML válidos:
french = "<p>Il a dit <<Sacré bleu!>></p>"
soup = BeautifulSoup(french)
print(soup.prettify(formatter="minimal"))
# <html>
# <body>
# <p>
# Il a dit <<Sacré bleu!>>
# </p>
# </body>
# </html>
Se você passar formatter="html", Beautiful Soup irá converter caracteres
Unicode para entidades HTML sempre que possível:
print(soup.prettify(formatter="html"))
# <html>
# <body>
# <p>
# Il a dit <<Sacré bleu!>>
# </p>
# </body>
# </html>
Se você passar um formatter="html5", é o mesmo que formatter="html",
mas o Beautiful Soup irá omitir a barra de fechamento HTML:
soup = BeautifulSoup("<br>")
print(soup.encode(formatter="html"))
# <html><body><br/></body></html>
print(soup.encode(formatter="html5"))
# <html><body><br></body></html>
Se você passar formatter=None, Beautiful Soup não irá modificar
as strings na saída. Esta é a opção mais rápida, mas permitirá que o
Beautiful Soup gere HTML/XML inválidos, como nestes exemplos:
print(soup.prettify(formatter=None))
# <html>
# <body>
# <p>
# Il a dit <<Sacré bleu!>>
# </p>
# </body>
# </html>
link_soup = BeautifulSoup('<a href="http://example.com/?foo=val1&bar=val2">A link</a>')
print(link_soup.a.encode(formatter=None))
# <a href="http://example.com/?foo=val1&bar=val2">A link</a>
Se você precisar de controles mais sofisticados sobre sua saída,
você pode usar a classe Formatter do Beautiful Soup. Aqui você pode ver um
formatter que converte strings para uppercase, quando elas ocorrem em um nó de texto
ou em um valor de algum atributo:
from bs4.formatter import HTMLFormatter
def uppercase(str):
return str.upper()
formatter = HTMLFormatter(uppercase)
print(soup.prettify(formatter=formatter))
# <html>
# <body>
# <p>
# IL A DIT <<SACRÉ BLEU!>>
# </p>
# </body>
# </html>
print(link_soup.a.prettify(formatter=formatter))
# <a href="HTTP://EXAMPLE.COM/?FOO=VAL1&BAR=VAL2">
# A LINK
# </a>
Dividindo em subclasses HTMLFormatter ou XMLFormatter darão a você ainda
mais controle sobre a saída. Por exemplo, o Beautiful Soup ordena os atributos em toda
tag por padrão:
attr_soup = BeautifulSoup(b'<p z="1" m="2" a="3"></p>')
print(attr_soup.p.encode())
# <p a="3" m="2" z="1"></p>
Para desabilitar esta opção, você pode criar uma subclasse do método Formatter.attributes(),
o qual controla qual atributo será usado na saída e em que ordem. Esta
implementação também filtra o atributido chamado “m” quando ele aparece:
class UnsortedAttributes(HTMLFormatter):
def attributes(self, tag):
for k, v in tag.attrs.items():
if k == 'm':
continue
yield k, v
print(attr_soup.p.encode(formatter=UnsortedAttributes()))
# <p z="1" a="3"></p>
Um último conselho: se você criar um objeto CDATA, o texto dentro deste objeto
sempre estará presente exatamente como aparenta, com nenhuma formatação.
O Beautiful Soup irá chamar sua função de substituição da entidade, apenas
no caso de você ter escrito uma função personalizada que conta todas as strings
que existem no documento ou algo do tipo, mas ele irá ignorar o valor de retorno:
from bs4.element import CData
soup = BeautifulSoup("<a></a>")
soup.a.string = CData("one < three")
print(soup.a.prettify(formatter="xml"))
# <a>
# <![CDATA[one < three]]>
# </a>
get_text()¶
Se você quer apenas o texto contido no documento ou em um par de tags, você
pode utilizar o método get_text(). Ele retornará todo texto em um documento
ou dentro das tags como uma string Unicode:
markup = '<a href="http://example.com/">\nI linked to <i>example.com</i>\n</a>'
soup = BeautifulSoup(markup)
soup.get_text()
u'\nI linked to example.com\n'
soup.i.get_text()
u'example.com'
Você pode especificar uma string a ser usada para unir as partes do texto:
# soup.get_text("|")
u'\nI linked to |example.com|\n'
Você pode dizer ao Beautiful Soup para excluir espaços em branco do início e fim de cada parte de texto:
# soup.get_text("|", strip=True)
u'I linked to|example.com'
Contudo para isso, você pode querer utilizar o gerador .stripped_strings e processar o texto você mesmo:
[text for text in soup.stripped_strings]
# [u'I linked to', u'example.com']
Especificando um interpretador (parser) para uso¶
Se você precisa analisar um pequeno HTML, você pode passá-lo no construtor do
BeautifulSoup e será o suficiente. O Beautiful Soup irá escolher um parser
para você e irá interpretar o dado. Mas existem alguns argumentos adicionais que você
pode passar no construtor para alterar qual parser será usado.
O primeiro argumento do construtor BeautifulSoup é uma string ou uma variável contendo o
conteúdo do que você quer analisar. O segundo argumento é como você quer interpretar aquele
conteúdo.
Se você não especificar nada, você irá utilizar o melhor analisador HTML instalado. O Beautiful Soup classifica o lxml’s como sendo o melhor, logo em seguida o html5lib, e então o parser nativo do Python. Você pode substituí-lo, especificando de acordo com as seguintes características:
O tipo de marcação que você quer analisar. Atualmente são suportados “html”, “xml”, and “html5”.
O nome do parser que você quer utilizar. Atualmente são suportadas as opções “lxml”, “html5lib”, e “html.parser” (parser nativo do Python).
A seção Instalando um interpretador (parser) compara os parsers suportados.
Se você não tem um parser apropriado instalado, o Beautiful Soup irá ignorar sua solicitação e escolher um diferente. Atualmente, o único parser XML suportado é o lxml. Se você não possui o lxml instalado, pedir um parser XML não trará um e pedir por “lxml” não funcionará também.
Diferenças entre os interpretadores (parsers)¶
O Beautiful Soup apresenta a mesma interface para diferentes parsers, mas cada um é diferente. Diferentes parsers irão criar diferentes análises da árvore do mesmo documento. As maiores diferenças estão entre os parsers HTML e XML. Aqui está um pequeno documento analisado como HTML:
BeautifulSoup("<a><b /></a>")
# <html><head></head><body><a><b></b></a></body></html>
Como uma tag <b /> vazia não é um HTML válido, o analisador a transforma em um par <b></b>.
Aqui está o mesmo documento analisado como XML (partindo do princípio que você tenha o lxml instalado). Note que o a tag vazia <b /> é deixada sozinha, e que é dada ao documento uma declaração XML ao invés de ser colocada dentro de uma tag <html>.:
BeautifulSoup("<a><b /></a>", "xml")
# <?xml version="1.0" encoding="utf-8"?>
# <a><b/></a>
Há também diferenças entre analisadores HTML. Se você der ao Beautiful Soup um documento HTML perfeitamente formatado, estas diferenças não irão importar. Um analisador será mais rápido que outro, mas todos irão lhe retornar uma estrutura de dados que se parece exatamente como o HTML original.
Mas se o documento não estiver perfeitamente formatado, diferentes analisadores irão retornar diferentes resultados. Aqui está um pequeno e inválido documento analisado utilizando o analisador lxml HTML. Note que a tag pendente </p> é simplesmente ignorada:
BeautifulSoup("<a></p>", "lxml")
# <html><body><a></a></body></html>
Aqui está o mesmo documento analisado utilizando html5lib:
BeautifulSoup("<a></p>", "html5lib")
# <html><head></head><body><a><p></p></a></body></html>
Ao invés de ignorar a tag </p> pendente, o html5lib a equipara a uma tag <p> aberta. Este parser também adiciona uma tag <head> vazia ao documento.
Aqui está o mesmo documento analisado com o parser HTML nativo do Python:
BeautifulSoup("<a></p>", "html.parser")
# <a></a>
Assim como html5lib, este parser ignora a tag de fechamento </p>. Este parser também não realiza nenhuma tentatida de criar um HTML bem formatado adicionando uma tag <body>. Como lxml, ele nem se importa em adicionar uma tag <html>.
Sendo o documento “<a></p>” inválido, nenhuma dessas técnicas é a maneira “correta” de lidar com isso. O html5lib utiliza técnicas que são parte do padrão HTML5, portanto vendo sendo definido como a maneira “mais correta”, mas todas as três técnicas são legítimas.
Diferenças entre analisadores podem afetar o seu script. Se você está
planejando distribuir seu script para outras pessoas, ou rodá-lo em
múltiplas máquinas, você deve especificar o analisador no construtor
BeautifulSoup. Isso irá reduzir as chances de que seus usuários
analisem um documento de forma diferente da maneira como você analisou.
Codificação (Encoding)¶
Todo documento HTML ou XML é escrito em uma codificação (encoding) específica como ASCII ou UTF-8. Mas quando você carrega um documento no BeautifulSoup, você irá descobrir que ele foi convertido para Unicode:
markup = "<h1>Sacr\xc3\xa9 bleu!</h1>"
soup = BeautifulSoup(markup)
soup.h1
# <h1>Sacré bleu!</h1>
soup.h1.string
# u'Sacr\xe9 bleu!'
Não é mágica (Seria bem legal que fosse). O BeautifulSoup utiliza uma
sub-biblioteca chamada Unicode, Dammit para detectar a codificação de
um documento e convertê-lo para Unicode. A codificação detectada automaticamente está
disponível como objeto .original_encoding atributo do objeto BeautifulSoup
soup.original_encoding
'utf-8'
Unicode, Dammit acerta na maioria das vezes, mas pode errar em algumas.
Outras vezes acerta, porém somente após uma busca byte a byte no documento,
o leva muito tempo. Se você souber com antecedência a codificação, você poderá
evitar erros ou demora passando-o para o contrutor do BeautifulSoup
através de from_encoding.
Abaixo você tem um documento escrito em ISO-8859-8. O documento é tão pequeno que o Unicode, Dammit não consegue verificar sua codificação e acaba fazendo a identificação como ISO-8859-7:
markup = b"<h1>\xed\xe5\xec\xf9</h1>"
soup = BeautifulSoup(markup)
soup.h1
<h1>νεμω</h1>
soup.original_encoding
'ISO-8859-7'
Podemos consertar isso passando a codificação correta com from_encoding:
soup = BeautifulSoup(markup, from_encoding="iso-8859-8")
soup.h1
<h1>םולש</h1>
soup.original_encoding
'iso8859-8'
Se você não sabe qual a codificação correta, mas você sabe que o
Unicode, Dammit está errado, você pode passar as opções excluentes
como exclude_encodings:
soup = BeautifulSoup(markup, exclude_encodings=["ISO-8859-7"])
soup.h1
<h1>םולש</h1>
soup.original_encoding
'WINDOWS-1255'
Windows-1255 não é 100% correto, mas é um superconjunto compatível com
ISO-8859-8, portanto é mais próximo do ideal. (exclude_encodings
é uma opção nova no Beautiful Soup 4.4.0.)
Em casos raros (geralmente quando um documento UTF-8 contém texto escrito
em uma codificação completamente diferente), a única maneira de ser convertido para
Unicode é convertendo alguns caracteres com o caractere especial Unicode
“REPLACEMENT CHARACTER” (U+FFFD, �). Se o Unicode, Dammit precisar utilizá-lo,
ele será armazenado no atributo .contains_replacement_characters como
True no UnicodeDammit ou objeto BeautifulSoup. Isso deixa você ciente
que a representação Unicode não é uma representação exata do original - algum dado
foi perdido. Se um documento possui �, mas .contains_replacement_characters é False,
você poderá concluir então que o � já estava ali originalmente e não representa dados
perdidos.
Codificação de Saída¶
Quando um documento é gerado pelo Beautiful Soup, ele é gerado como UTF-8, mesmo que o documento não for um UTF-8 de início. Aqui está um documento gerado com codificação Latin-1:
markup = b'''
<html>
<head>
<meta content="text/html; charset=ISO-Latin-1" http-equiv="Content-type" />
</head>
<body>
<p>Sacr\xe9 bleu!</p>
</body>
</html>
'''
soup = BeautifulSoup(markup)
print(soup.prettify())
# <html>
# <head>
# <meta content="text/html; charset=utf-8" http-equiv="Content-type" />
# </head>
# <body>
# <p>
# Sacré bleu!
# </p>
# </body>
# </html>
Note que a tag <meta> foi reescrita para refletir o fato que o documento é agora um UTF-8.
Se você não quiser um UTF-8, você pode passar a codificação desejada como parâmetro de
prettify():
print(soup.prettify("latin-1"))
# <html>
# <head>
# <meta content="text/html; charset=latin-1" http-equiv="Content-type" />
# ...
Você também pode chamar encode() no objeto BeautifulSoup ou em qualquer elemento
do objeto, assim como se faz em uma string Python:
soup.p.encode("latin-1")
# '<p>Sacr\xe9 bleu!</p>'
soup.p.encode("utf-8")
# '<p>Sacr\xc3\xa9 bleu!</p>'
Qualquer caractere que não pode ser representado na codificação escolhida irá ser convertida para uma entidade de referência numérica XML. Abaixo você tem um documento que inclui o caractere Unicode SNOWMAN:
markup = u"<b>\N{SNOWMAN}</b>"
snowman_soup = BeautifulSoup(markup)
tag = snowman_soup.b
O caractere SNOWMAN faz parte da documentação UTF-8 (algo como ☃), mas não possui representação para este caractere em ISO-latin-1 ou ASCII, portanto ele é convertido para “☃” para as essas codificações:
print(tag.encode("utf-8"))
# <b>☃</b>
print tag.encode("latin-1")
# <b>☃</b>
print tag.encode("ascii")
# <b>☃</b>
Unicode, Dammit¶
Você pode usar o Unicode, Dammit fora do Beautiful Soup. É útil quando você possui dados em uma codificação desconhecida e quer simplesmente convertê-la para Unicode:
from bs4 import UnicodeDammit
dammit = UnicodeDammit("Sacr\xc3\xa9 bleu!")
print(dammit.unicode_markup)
# Sacré bleu!
dammit.original_encoding
# 'utf-8'
As respostas do Unicode, Dammit serão um pouco mais precisas se você
instalar as bibliotecas chardet ou cchardet. Quanto maior a quantidade
de dados no arquivo que você passar para o Unicode, Dammit, mais precisas serão
as conversões. Se você possui suas suspeitas sobre qual a codificação original,
você pode passar as opções em uma lista:
dammit = UnicodeDammit("Sacr\xe9 bleu!", ["latin-1", "iso-8859-1"])
print(dammit.unicode_markup)
# Sacré bleu!
dammit.original_encoding
# 'latin-1'
Unicode, Dammit possui duas características que o Beautiful Soup não utiliza.
Smart quotes¶
Você pode utilizar Unicode, Dammit para converter Microsoft smart quotes para entidades HTML ou XML:
markup = b"<p>I just \x93love\x94 Microsoft Word\x92s smart quotes</p>"
UnicodeDammit(markup, ["windows-1252"], smart_quotes_to="html").unicode_markup
# u'<p>I just “love” Microsoft Word’s smart quotes</p>'
UnicodeDammit(markup, ["windows-1252"], smart_quotes_to="xml").unicode_markup
# u'<p>I just “love” Microsoft Word’s smart quotes</p>'
Você também pode converter Microsoft smart quotes para ASCII:
UnicodeDammit(markup, ["windows-1252"], smart_quotes_to="ascii").unicode_markup
# u'<p>I just "love" Microsoft Word\'s smart quotes</p>'
Espero que você ache estas características úteis, mas o Beautiful Soup não as usa.O Beautiful Soup dá preferência ao comportamento padrão, que é converter para caracteres Unicode:
UnicodeDammit(markup, ["windows-1252"]).unicode_markup
# u'<p>I just \u201clove\u201d Microsoft Word\u2019s smart quotes</p>'
Codificação Inconsistente¶
Algumas vezes um documento é em sua maioria UTF-8, mas contém caracteres
Windows-1252 assim como (de novo) Microsoft smart quotes. Isso pode acontecer
quando um website compostos de dados de muitas fontes diferentes. Você pode
utilizar UnicodeDammit.detwingle() para transformar este documento em um
UTF-8 puro. Aqui está um exemplo:
snowmen = (u"\N{SNOWMAN}" * 3)
quote = (u"\N{LEFT DOUBLE QUOTATION MARK}I like snowmen!\N{RIGHT DOUBLE QUOTATION MARK}")
doc = snowmen.encode("utf8") + quote.encode("windows_1252")
Este documento é uma bagunça. O snowmen é um UTF-8 e as aspas são Windows-1252. Você pode exibir o snowmen ou as aspas, mas não os dois ao mesmo tempo:
print(doc)
# ☃☃☃�I like snowmen!�
print(doc.decode("windows-1252"))
# ☃☃☃“I like snowmen!”
Decodificar um documento como UTF-8 gera um UnicodeDecodeError, e
como um Windows-1252 lhe tras algo sem sentido. Felizmente,
UnicodeDammit.detwingle() irá converter a string para UTF-8 puro,
permitindo a você decodificá-la para Unicode e exibir o snowmen e as
aspas simultaneamente:
new_doc = UnicodeDammit.detwingle(doc)
print(new_doc.decode("utf8"))
# ☃☃☃“I like snowmen!”
UnicodeDammit.detwingle() sabe apenas como trabalhar com Windows-1252
contido em UTF-8 (ou vice versa, eu suponho), mas este é o caso mais comum.
Note que você deve chamar UnicodeDammit.detwingle() em seu dado
antes de passá-lo para BeautifulSoup ou para o construtor UnicodeDammit.
O Beautiful Soup assume que um documento possui apenas uma codificação,
independente de qual ela seja. Se você passar um documento que
contém ambos UTF-8 e Windows-1252, é provável que ele pense que todo
o documento seja Windows-1252, e o documento parecerá ☃☃☃“I like snowmen!”.
UnicodeDammit.detwingle() é novo no Beautiful Soup 4.1.0.
Linhas numeradas¶
Os interpretadores html.parser` e ``html5lib podem rastrear onde, no
documento original, cada tag foi encontrada. Você pode acessar esta
informação através de Tag.sourceline (número da linha) e Tag.sourcepos
(posição do início da tag na linha):
markup = "<p\n>Paragraph 1</p>\n <p>Paragraph 2</p>"
soup = BeautifulSoup(markup, 'html.parser')
for tag in soup.find_all('p'):
print(tag.sourceline, tag.sourcepos, tag.string)
# (1, 0, u'Paragraph 1')
# (2, 3, u'Paragraph 2')
Note que os dois interpretadores significam coisas levemente diferentes por
sourceline e sourcepos. Para html.parser, estes números representam
a posição do sinal menor que`inicial. Para html5lib, representa a posição
do sinal `maior que final:
soup = BeautifulSoup(markup, 'html5lib')
for tag in soup.find_all('p'):
print(tag.sourceline, tag.sourcepos, tag.string)
# (2, 1, u'Paragraph 1')
# (3, 7, u'Paragraph 2')
Você pode desabilitar esta característica passando store_line_numbers=False`
no construtor ``BeautifulSoup:
markup = "<p\n>Paragraph 1</p>\n <p>Paragraph 2</p>"
soup = BeautifulSoup(markup, 'html.parser', store_line_numbers=False)
soup.p.sourceline
# None
Esta característica é nova no 4.8.1 e os analisadores baseados no lxml não a suportam.
Comparando objetos por igualdade¶
O Beautiful Soup diz que dois objetos NavigableString ou Tag são
iguais quando eles apresentam as mesma marcação HTML ou XML. No exemplo
abaixo, as duas tags <b> são tratadas como iguais, mesmo estando em partes
diferentes da árvore do objeto, porque ambas estão como “<b>pizza</b>”:
markup = "<p>I want <b>pizza</b> and more <b>pizza</b>!</p>"
soup = BeautifulSoup(markup, 'html.parser')
first_b, second_b = soup.find_all('b')
print first_b == second_b
# True
print first_b.previous_element == second_b.previous_element
# False
Se você quiser verificar se duas variáveis se referem exatamente ao mesmo objeto, use is:
print first_b is second_b
# False
Copiando objetos Beautiful Soup¶
Você pode utilizar copy.copy() para criar uma cópia de qualquer Tag ou
NavigableString:
import copy
p_copy = copy.copy(soup.p)
print p_copy
# <p>I want <b>pizza</b> and more <b>pizza</b>!</p>
A cópia será considerada igual ao original, desde que ela apresente a mesma marcação que o original, mas não será o mesmo objeto:
print soup.p == p_copy
# True
print soup.p is p_copy
# False
A única diferença real é que a cópia é completamente separada da árvore
original do Beautiful Soup, como se extract() fosse chamado para ela:
print p_copy.parent
# None
Isso acontece porque dois objetos Tag diferentes não podem ocupar o mesmo
espaço ao mesmo tempo.
Analisando apenas parte de um documento¶
Suponhamos que você queira que o Beautiful Soup olhe apenas para as
tags <a> de um documento. É um desperdício de tempo e memória analisar
todo o documento e, posteriormente, analisar novamente apenas para buscar
as tags <a>. Seria muito mais rápido ignorar tudo o que não for <a> em
primeiro lugar. A classe SoupStrainer permite que você escolha
qual partes do documento serão analisadas. Você deverá penas criar uma
instância de SoupStrainer e passá-la ao construtor BeautifulSoup
no argumento parse_only.
(Note que esta característica não funcionará se você estiver utilizando o html5lib. Se você utilizar o html5lib, todo o documento será analisado. Isso acontece porque html5lib constantemente reorganiza a árvore de análise e se alguma parte do documento realmente não fizer parte dela, ela irá quebrar. Para evitar confusão, no exemplo abaixo, forçarei o Beautiful Soup a usar o analisador nativo do Python).
SoupStrainer¶
A classe SoupStrainer recebe os mesmos argumentos que qualquer método em Buscando na árvore: name, attrs, string, e **kwargs. Aqui temos três objetos SoupStrainer
from bs4 import SoupStrainer
only_a_tags = SoupStrainer("a")
only_tags_with_id_link2 = SoupStrainer(id="link2")
def is_short_string(string):
return len(string) < 10
only_short_strings = SoupStrainer(string=is_short_string)
Irei trazer de volta o documento “three sisters” mais uma vez e veremos
como o documento se parece quando é analisado com estes três objetos SoupStrainer
diferentes:
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>
"""
print(BeautifulSoup(html_doc, "html.parser", parse_only=only_a_tags).prettify())
# <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>
print(BeautifulSoup(html_doc, "html.parser", parse_only=only_tags_with_id_link2).prettify())
# <a class="sister" href="http://example.com/lacie" id="link2">
# Lacie
# </a>
print(BeautifulSoup(html_doc, "html.parser", parse_only=only_short_strings).prettify())
# Elsie
# ,
# Lacie
# and
# Tillie
# ...
#
Você pode também passar um SoupStrainer em qualquer método coberto em Buscando na árvore.
Este uso provavelmente não seja muito útil, mas pensei que deveria mencioná-lo:
soup = BeautifulSoup(html_doc)
soup.find_all(only_short_strings)
# [u'\n\n', u'\n\n', u'Elsie', u',\n', u'Lacie', u' and\n', u'Tillie',
# u'\n\n', u'...', u'\n']
Solucionando Problemas¶
diagnose()¶
Se você está tendo problemas em entender o que o Beautiful Soup está
fazendo com um documento, passe o documento pela função diagnose(). (Nova no Beautiful Soup 4.2.0.)
O Beautiful Soup irá retornar um relatório mostrando como diferentes parsers
lidam com o documento e irá lhe dizer o Beautiful Soup poderia estar utilizando outro parser:
from bs4.diagnose import diagnose
with open("bad.html") as fp:
data = fp.read()
diagnose(data)
# Diagnostic running on Beautiful Soup 4.2.0
# Python version 2.7.3 (default, Aug 1 2012, 05:16:07)
# I noticed that html5lib is not installed. Installing it may help.
# Found lxml version 2.3.2.0
#
# Trying to parse your data with html.parser
# Here's what html.parser did with the document:
# ...
Olhando para o que diagnose() retorna, poderá lhe dizer como resolver
o seu problema. Mesmo que não consiga, você poderá colar a saída de diagnose()
quando solicitar ajuda.
Erros enquanto se analisa um documento¶
Existem dois tipos diferentes de erros de análise. Existem quebras
quando você passa para o Beautiful Soup um documento e ele retorna uma
exceção, geralmente um HTMLParser.HTMLParseError. E existe o comportamento
inesperado, quando uma árvore de análise parece um pouco diferente do
documento usado para criá-la.
Quase nenhum destes problemas são parte do Beautiful Soup. Não é porque o Beautiful Soup é maravilhosamente um software bem escrito. É porque o Beautiful Soup não inclui nenhum código de análise. Ao invés disso, ele depende de analisadores externos. Se um analisador não funciona com certo documento, a melhor solução é tentar um analisador diferente. Veja Instalando um interpretador para detalhes e uma comparação entre eles.
Os erros de interpretação mais comuns são HTMLParser.HTMLParseError:
malformed start tag e HTMLParser.HTMLParseError: bad end
tag. Existem dois parsers gerados para o parser built in do Python
e a solução é install lxml ou html5lib.
Os tipos de erros de comportamento inesperado mais comuns acontecem
quando não é encontrada a tag buscada no documento. Você vê a busca
sendo executada, mas find_all() retorna [] ou find() retorna None.
Este é um problema comum com o analisador HTML nativo do Python que algumas
vezes pula tags que ele não entende. Novamente, a solução é
instalar o lxml ou html5lib.
Problemas de incompatibilidade de versões¶
SyntaxError: Invalid syntax(on the lineROOT_TAG_NAME = u'[document]'): Causado por rodar a versão Python 2 do Beautiful Soup no Python 3, sem converter o código.ImportError: No module named HTMLParser- Causado por rodar a versão Python 2 do Beautiful Soup no Python 3.ImportError: No module named html.parser- Causado por rodar a versão Python 3 do Beautiful Soup no Python 2.ImportError: No module named BeautifulSoup- Causado por rodar código do Beautiful Soup 3 em um sistema que não possui o BS3 instalado. Ou por escrever código Beautiful Soup 4 sem saber que o nome do pacote é diferente nobs4.ImportError: No module named bs4- Causado por rodar código Beautiful Soup 4 em um sistema que não possui o BS4 instalado.
Analisando um XML¶
Por padrão, o Beautiful Soup analisa documento como HTML. Para analisar um documento
como XML, passe “xml” como um segundo argumento ao construtor BeautifulSoup
soup = BeautifulSoup(markup, "xml")
Você precisará ter :ref:` lxml instalado <parser-installation>`.
Outros problemas com analisadores¶
Se seu script funciona em um computador, mas não em outro, ou em um ambiente virtual mas não em outro, ou fora do ambiente virtual mas não dentro dele, provavelmente porque ambos os ambientes possuem bibliotecas de analisadores difererentes. Por exemplo, você pode ter desenvolvido um script em um computador que possui lxml instalado, e então estar tentando rodá-lo no seu computador que possui apenas html5lib instalado. Veja Diferenças entre os interpretadores (parsers) para entender porque isso importa, e corrija o problema mencionando uma biblioteca específica no construtor
BeautifulSoup.Por tags HTML e atributos serem case-insensitive, todos os três parsers HTML convertem tags e atributos para lowercase. Isso é, a marcação <TAG></TAG> é convertida para <tag></tag>. Se você quiser preservar a formatação anterior das tags e atributos, você precisará analisar o documento como XML.
Diversos¶
UnicodeEncodeError: 'charmap' codec can't encode character u'\xfoo' in position bar(ou qualquer outroUnicodeEncodeError) - Este não é um problema do Beautiful Soup. Este problema poderá surgir em duas situações: a primeira quando você tentar imprimir um caractere Unicode que seu console não sabe como exibir. (Veja Esta página na wiki do Python para saber mais.). A segunda, quando você está gravando um arquivo e passa um caractere Unicode que não é suportado pelo seu codificador padrão. Neste caso, a solução mais simples é explicitamente converter a string Unicode em UTF-8 comu.encode("utf8").KeyError: [attr]- Caused by accessingtag['attr']quando a tag em questão não define o atributoattr. Os erros mais comuns sãoKeyError: 'href'eKeyError: 'class'. Usetag.get('attr')se você não tem certeza seattrestá definido, assim como você faria em um dicionário Python.AttributeError: 'ResultSet' object has no attribute 'foo'- Isso geralmente ocorre quando você espera quefind_all()retorne uma única tag ou string. Masfind_all()retorn uma _lista_ de tags e strings–um objetoResultSet. Você precisa iterar sobre a lista e buscar.foopara cada um. Ou, se você realmente quiser apenas um resultado, deverá usarfind()ao invés defind_all().AttributeError: 'NoneType' object has no attribute 'foo'- Isso geralmente acontece quando é chamadofind()e então se tenta acessar o atributo .foo` o resultado. Mas no seu caso,find()não encontra nada, então retornaNoneao invés de retornar uma tag ou uma string. Você precisa descobrir porquefind()não está retornando nada.
Melhorando a performance¶
O Beautiful Soup nunca será tão rápido quanto os parsers em que ele foi construido em cima. Se o tempo de resposta se tornar crítico, se você estiver pagando por hora de uso de um computador ou se há qualquer outra razão para que o tempo de processamento seja mais valioso que o tempo de programação, você deve esquecer o Beautiful Soup e trabalhar diretamente em cima do lxml.
Dito isso, existem algumas coisas que você pode fazer para acelerar o Beautiful Soup. Se você não está utilizando o lxml como seu parser, meu conselho é que o faça start. O Beautiful Soup analisa documentos significativamente mais rápido utilizando o lxml do que usando o html.parser ou html5lib.
Você pode acelerar a detecção da codificação significativamente instalando a biblioteca cchardet .
Analisando apenas parte de um documento não irá lhe poupar muito tempo de análise, mas irá poupar muita memória e fará a busca no documento muito mais rápida.
Beautiful Soup 3¶
O Beautiful Soup 3 é a versão anterior e não é mais desenvolvida ativamente. Ela atualmente faz parte da maioria das distribuições Linux:
$ apt-get install python-beautifulsoup
Também está publicada no PyPi como BeautifulSoup.:
$ easy_install BeautifulSoup
$ pip install BeautifulSoup
Você também pode fazer o download de um tarball do Beautiful Soup 3.2.0.
Se você rodar easy_install beautifulsoup ou easy_install
BeautifulSoup, mas seu código não funcionar, você instalou o Beautiful
Soup 3 por engano. Você precisa executar easy_install beautifulsoup4.
A documentação do Beautiful Soup 3 está arquivada online.
Portabilidade de código para BS4¶
A maioria dos códigos escritos em Beautiful Soup 3 irá funcionar no
Beautiful Soup 4 com uma pequena alteração. Tudo que você precisa
fazer é alterar o nome do pacote de BeautifulSoup para bs4. Então:
from BeautifulSoup import BeautifulSoup
deverá ser assim:
from bs4 import BeautifulSoup
Se for gerado um
ImportError“No module named BeautifulSoup”, o problema é que você está tentando executar um código Beautiful Soup 3, mas possui apenas o Beautiful Soup 4 instalado.Se for gerado um
ImportError“No module named bs4”, o problema é que você está tentando executar um código Beautiful Soup 4, mas possui apenas o Beautiful Soup 3 instalado.
Apesar do BS4 ser quase totalmente compativel com BS3, a maioria de seus métodos foram depreciados e renomeados para atender o padrão PEP 8. Existem muitas outras renomeações e alterações, e algumas delas quebram esta compatibilidade.
Aqui está o que você irá precisar saber para converter seu código BS3 para BS4:
Você precisa de um interpretador (parser)¶
O Beautiful Soup 3 utilizava o SGMLParser do Python, um módulo que
foi depreciado e removido no Python 3.0. O Beautiful Soup 4 utiliza o
html.parser por padrão, mas você pode adicionar o lxml ou html5lib
e utilizá-los como alternativa. Veja Instalando um interpretador para
comparação.
Como o html.parser não é o mesmo analisador que SGMLParser, é possível
que o Beautiful Soup 4 retorne uma árvore de análise diferente da
gerada pelo Beautiful Soup 3 para as mesmas marcações. Se você trocar
html.parser por lxml ou html5lib, você poderá descorbrir que a árvore também
mudará. Se isso acontecer, você precisará atualizar seu código para lidar com a
nova árvore.
Nomes dos Métodos¶
renderContents->encode_contentsreplaceWith->replace_withreplaceWithChildren->unwrapfindAll->find_allfindAllNext->find_all_nextfindAllPrevious->find_all_previousfindNext->find_nextfindNextSibling->find_next_siblingfindNextSiblings->find_next_siblingsfindParent->find_parentfindParents->find_parentsfindPrevious->find_previousfindPreviousSibling->find_previous_siblingfindPreviousSiblings->find_previous_siblingsgetText->get_textnextSibling->next_siblingpreviousSibling->previous_sibling
Alguns argumentos do construtor do Beautiful Soup foram renomeados pelas mesmas razões:
BeautifulSoup(parseOnlyThese=...)->BeautifulSoup(parse_only=...)BeautifulSoup(fromEncoding=...)->BeautifulSoup(from_encoding=...)
Eu renomeei um método para compatibilidade com Python 3:
Tag.has_key()->Tag.has_attr()
Eu renomeei um atributo para utilizar uma terminologia mais precisa:
Tag.isSelfClosing->Tag.is_empty_element
Eu renomeei três atributos para evitar utilizar palavras reservadas do Python. Ao contrário das outras, estas alterações não são compativeis com versões anteriores. Se você utilizar estes atributos no BS3, seu código irá quebrar no BS4 até você corrigí-los.
UnicodeDammit.unicode->UnicodeDammit.unicode_markupTag.next->Tag.next_elementTag.previous->Tag.previous_element
Geradores¶
Eu dei nomes aos geradores de acordo com o PEP-8 e transformei-os em propriedades:
childGenerator()->childrennextGenerator()->next_elementsnextSiblingGenerator()->next_siblingspreviousGenerator()->previous_elementspreviousSiblingGenerator()->previous_siblingsrecursiveChildGenerator()->descendantsparentGenerator()->parents
Então, ao invés de:
for parent in tag.parentGenerator():
...
Você pode escrever:
for parent in tag.parents:
...
(Mas a versão antiga ainda funcionará.)
Alguns dos geradores eram utilizados para gerar None após
finalizado e então parar. Isso era um bug. Agora os geradores
apenas param.
Existem dois novos geradores, .strings e
.stripped_strings. .strings gera objetos
NavigableString, e .stripped_strings gera strings Python com
espaços em branco removidos.
XML¶
Não existe mais uma classe BeautifulStoneSoup para analisar XML. Para
analisar XML você deverá passar “xml” como segundo argumento ao construtor
BeautifulSoup. Pela mesma razão, o construtor BeautifulSoup não
reconhece mais o argumento isHTML.
A manipulação do Beautiful Soup’s de tags XML vazias foi melhorada.
Anteriormente, quando você analisava um XML, deveria explicitamente
dizer quais tags seriam consideradas elementos de tag vazios. O
argumento selfClosingTags não é mais reconhecido. Ao invés disso,
o Beautiful Soup considera qualquer tag vazia como um elemento de tag vazia.
Se você adicionar uma filha a um elemento de tag vazia, ela deixará de ser vazia.
Entidades¶
Uma entidade HTML ou XML de entrada é sempre convertida em
seu caractere Unicode correspondente. O Beautiful Soup 3 possuia
inúmeras maneiras redundantes de lidar com entidades, as quais foram
removidas. O construtor BeautifulSoup não reconhece mais os argumentos
smartQuotesTo ou convertEntities. (Unicode,
Dammit ainda possui smart_quotes_to, mas seu padrão agora é converter
smart quotes em Unicode.) As constantes HTML_ENTITIES,
XML_ENTITIES, e XHTML_ENTITIES foram removidas, desde que elas
se referiam a uma feature (transformar algumas, mas não todas as entidades
em caracteres Unicode) que não existe mais.
Se você quiser transformar caracteres Unicode novamente em entidades HTML
na saída, ao invés de transformá-las em caracteres UTF-8, você precisará
utilizar um output formatter.
Variados¶
Tag.string agora opera recursivamente. Se a tag A contém apenas uma tag B e nada mais, então A.string é o mesmo que B.string. (Anteriormente era None)
Atributos com múltiplos valores como class possuem listas de strings
como valores e não strings. Isso deverá afetar a maneira que você buscará
por classes CSS.
Se você passar um dos métodos find*, ambos string e
um argumento específico de uma tag como name, o Beautiful Soup
irá buscar por tags que atentem o seu critério de argumento específico e que
Tag.string atenda o valor para string. Isso
não irá encontrar as strings por si. Anteriormente, Beautiful Soup ignorava
o argumento específico de uma tag e olhava apenas para as strings.
O construtor BeautifulSoup não reconhece mais o argumento markupMassage.
É agora responsabilidade do parser de manipular a marcação corretamente.
As classes raramente usadas do analisador como
ICantBelieveItsBeautifulSoup e BeautifulSOAP foram removidas.
é agora decisão do analisador como manipular marcações ambiguas.
O método prettify() agora retorna uma string Unicode, e não bytestring.