Day79：Beautiful Soup模块使用

xiaoxiao2022-06-27 166

1.Beautiful Soup模块的介绍

Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库，简单来说，它能将HTML的标签文件解析成树形结构，然后方便地获取到指定标签的对应属性，还可以方便的实现全站点的内容爬取和解析；

Beautiful Soup支持Python标准库中的HTML解析器，还支持一些第三方的解析器，如果我们不安装它，则 Python 会使用 Python默认的解析器； lxml 是python的一个解析库，支持HTML和XML的解析，html5lib解析器能够以浏览器的方式解析，且生成HTML5文档；

pip install beautifulsoup4 pip install html5lib pip install lxml

2. Beautiful Soup模块解析HTML文档

假如现在有一段不完整的HTML代码，我们现在要使用Beautiful Soup模块来解析这段HTML代码

data = ''' <html><head><title>The Dormouse's story</title></he <body> The Dormouse's story Once upon a time there were three <a href="http://example.com/elsie" class="sister" i <a href="http://example.com/lacie" class="sister" i <a href="http://example.com/tillie" class="sister" and they lived at the bottom of a well. ... ''' 首先需要导入BeautifulSoup模块，再实例化BeautifulSoup对象 from bs4 import BeautifulSoup soup = BeautifulSoup(data,'lxml')

然后通过BeautifulSoup提供的方法就可以拿到HTML的元素、属性、链接、文本等，BeautifulSoup模块可以将不完整的HTML文档，格式化为完整的HTML文档，比如我们打印print(soup.prettify())看一下输出什么？

<html> <head> <title> The Dormouse's story </title> </head> <body> The Dormouse's story Once upon a time there were three <a a="" and="" at="" bottom="" class="sister" href="http://example.com/elsie" i="" lived="" of="" the="" they="" well.=""> ... </a> </body> </html> 获取标签，如title标签，a标签等 print('title = {}'.format(soup.title)) # 输出：title = <title>The Dormouse's story</title> print('a={}'.format(soup.a)) 获取标签的名称，如title标签，body标签等 print('title_name = {}'.format(soup.title.name)) # 输出：title_name = title print('body_name = {}'.format(soup.body.name)) # 输出：body_name = body 获取标签的内容，如title标签 print('title_string = {}'.format(soup.title.string)) # 输出：title_string = The Dormouse's story 如果想要获取某个标签的父标签的名称，可以使用parent，如title标签，可以得到父标签head标签，且会自定补齐不完整的标签； print('title_pareat_name = {}'.format(soup.title.parent)) # 输出：title_pareat_name = <head><title>The Dormouse's story</title> </head> 获取第一个p标签 print('p = {}'.format(soup.p)) # 输出：p = The Dormouse's story 获取第一个p标签的class的值，获取第一个a标签的class值 print('p_class = {}'.format(soup.p["class"])) # 输出：p_class = ['title'] print('a_class = {}'.format(soup.a["class"])) # 输出：a_class = ['sister'] 获取所有的标签 # 获取所有的a标签 print('a = {}'.format(soup.find_all('a'))) # 获取所有的p标签 print('p = {}'.format(soup.find_all('p'))) 获取id为link3的标签 print('a_link = {}'.format(soup.find(id='title'))) # 输出：a_link = The Dormouse's story

3.BeautifulSoup中的对象

BeautifulSoup对象分为四类，分别是Tag(获取标签), NavigableString(获取标签内容) , BeautifulSoup(根标签), Comment(标签内的所有的文本) ；

语法：

soup.标签名：获取HTML中的标签；

soup.标签名.name：获取HTML中标签的名称；

soup.标签名.attrs：获取标签的所有属性；

soup.标签名.string：获取HTML中标签的文本内容；

soup.标签名.parent：获取HTML中标签的父标签；

prettify()方法：可以将Beautiful Soup的文档树格式化后以Unicode编码输出，每个XML/HTML标签都独占一行；

4.遍历文档

contents：获取所有子节点，返回一个列表，可以通过下标取值； soup = BeautifulSoup(html,"lxml") # 返回一个列表 print(soup.p.contents) # 拿到第一个子节点 print(soup.p.contents[0]) children：返回子节点的生成器对象； for tag in soup.p.children: print(tag) soup.strings：获取所有节点的内容，包括空格； soup = BeautifulSoup(html,"lxml") for content in soup.strings: print(repr(content)) soup.stripped_strings：获取所有节点的内容，不包括空格； soup = BeautifulSoup(html,"lxml") for tag in soup.stripped_strings: print(repr(tag))

5.查找标签

find_all()：查找所有指定标签名称的子节点（可同时查找多个标签），并判断是否符合过滤器的条件，返回一个列表； soup = BeautifulSoup(html,"lxml") print(soup.find_all('a')) print(soup.find_all(['a','p'])) print(soup.find_all(re.compile('^a'))) find()：和find_all()差不多，但是find_all() 方法的返回结果是值包含一个元素的列表，而 find() 方法直接返回结果； soup = BeautifulSoup(html,"lxml") print(soup.find('a')) 更多关于Beautiful Soup模块的知识可以查看：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html

参考：https://www.9xkd.com/user/plan-view.html?id=1742870460

专利

最新回复(0)