from BeautifulSoup import BeautifulSoup
from BeautifulSoup import NavigableString
from BeautifulSoup import Comment
'''
html="""<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><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>"""
soup=BeautifulSoup(html)#这是一种方式
'''
soup=BeautifulSoup(open("C:\Users\lenovo\Desktop\cookie.txt"))#这是第二种方式html字符串
#BeautifulSoup的Tag类
#获得title标签
print soup.title
#获得head标签
print soup.head
#当字符串里有多个相同标签时，这种方式只能获得第一个
print soup.p
#Tag的两个重要的属性，name,attrs
print soup.name#这里我是用文件打开的方式获得的字符串，所以soup是一个文件
print soup.head.name#这里获得head标签的名字
print soup.p.attrs #这里把p标签的所有属性都打印出来了，结果是一个列表，每一属性及其值构成一个元组
print soup.p["class"]#这里是获得某个属性的值
print soup.get("class")#这是第二种方法，用get()方法传入属性名称
soup.p["class"]="newtitle" #修改这个属性的值，这里的修改应该是暂时的，你必须把修改完的soup重新写入到文件里
print soup.p.attrs
del soup.p["class"] #删除这个属性
print soup.p.attrs
#NavigableString 类
print soup.head #输出是<head>内容</head>
print soup.head.string #这里输出的就是head标签的内容
print soup.p.string
#Comment类，也是一种特殊的NavigableString的对象，它主要针对标签内容中有注释的情况，但是在输出这种标签内容的时候，注释内容不带注释符号
print soup.a
print soup.a.string
print type(soup.a.string)
#在这种情况下，我们会进行如下处理在输出
if type(soup.a.string)==bs4.element.Comment:#这个判断就说明该标签的内容是否为注释
print soup.a.string
#上面的只是一些简单应用
from bs4 import BeautifulSoup
from bs4 import NavigableString
#BeautifulSoup的深度应用
#当我们爬取了网页代码后，他实际上是一个字符串，但是我们可以把它抽象成一个文档树，对html进行更深层的
#信息获取，这里每个标签就是一个节点，每个节点的信息就是他所包含的属性，及内容。
#1）直接子节点 .contents,.children属性
#.contents属性可以将tag的子节点以列表的方式输出
#print soup.body.contents
#我们可以通过索引的方式来获取每一个直接子节点
for children in soup.body.contents:
print children.string #输出每个直接子节点的内容
#.children 返回的不是一个列表，而是一个列表迭代器
print soup.head.children
#我们通过一个循环遍历一遍就能获取
for child in soup.body.children:
print child
#.descendants属性，它遍历一个标签的所有子孙节点，
print soup.descendants #他返回的是一个生成器
for child in soup.descendants:
print child
#.string属性获取节点内容，特点:如果一个标签里面没有标签了，那么 .string 就会返回标签里面的内容。如果标签里面只有唯一的一个标签了，那么 .string 也会返回最里面的内容。
if soup.head.string==soup.title.string:
print "true"
else:
print "false"
#如果tag包含了多个子节点,tag就无法确定，string 方法应该调用哪个子节点的内容, .string 的输出结果是 None
print soup.body.string
#获取多个内容 属性：.strings,.stripped_strings
#.string属性
print soup.strings #当获取多个内容时，返回生成器
for string in soup.strings:
print repr(string)
#.strippted_strings属性
#输出的字符串中可能包含了很多空格或空行,使用 .stripped_strings 可以去除多余空白内容
print soup.stripped_strings #同样返回的是个生成器
for string in soup.stripped_strings:
print string
#5)父节点 .parent属性
print soup.body.parent.name
content=soup.head.title.string
print content.parent.name#可以通过标签的内容来获取该标签
#6）全部父节点 .parents属性
print soup.body.parents #返回生成器
content=soup.head.title.string
for tag in content.parents: #通过标签内容来获取所有的父标签
print tag.name
#7）兄弟标签 属性： .next_sibling,.previous_sibling
#兄弟节点可以理解为和本节点处在统一级的节点，.next_sibling 属性获取了该节点的下一个兄弟节点，.previous_sibling 则与之相反，如果节点不存在，则返回 None
#注意：实际文档中的tag的 .next_sibling 和 .previous_sibling 属性通常是字符串或空白，因为空白或者换行也可以被视作一个节点，所以得到的结果可能是空白或者换行
#print soup.p.next_sibling.next_sibling #下一个节点的下一个兄弟节点是我们可以看到的节点
print soup.a.previous_sibling.previous.sibling
#8)全部兄弟节点 属性：.next_siblings,.previous_siblings
#通过 .next_siblings 和 .previous_siblings 属性可以对当前节点的兄弟节点迭代输出
print "*********************************************"
for sibling in soup.head.next_siblings:
print sibling
#9)前后节点 属性：.next_element,.previous_element
#与 .next_sibling .previous_sibling 不同，它并不是针对于兄弟节点，而是在所有节点，不分层次
print soup.head.next_element
#10)所有前后节点 属性：.next_elements,.previous_elements属性
for element in soup.head.next_elements:
print repr(element.name)
#这些都是遍历文档树的基本用法
print "********************************************************"
#搜素文档树
#1） find_all(name,attrs,recursive , text , **kwargs)
#find_all() 方法搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件
# name 参数可以查找所有名字为 name 的tag,字符串对象会被自动忽略掉
#A.穿字符串
print soup.find_all('p')
#B.传正则表达式
#如果传入正则表达式作为参数,Beautiful Soup会通过正则表达式的 match() 来匹配内容
import re
print soup.find_all(re.compile("^b"))
for tag in soup.find_all(re.compile("^b")):
print tag.name
#C.传入列表
#如果传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回.
print soup.find_all(['a','b'])
#D.串True
#True 可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点
for tag in soup.find_all(True):
print tag.name
#E.传入方法
#如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数 [4] ,如果这个方法返回 True 表示当前元素匹配并且被找到,如果不是则反回 False
def has_class_but_no_id(tag):
return tag.has_attr("class") and not tag.has_attr("id")
print soup.find_all(has_class_but_no_id)
#2) keyword 参数
#注意：如果一个指定名字的参数不是搜索内置的参数名,搜索时会把该参数当作指定名字tag的属性来搜索,如果包含一个名字为 id 的参数,Beautiful Soup会搜索每个tag的”id”属性
print soup.find_all(id="link2")
#使用多个指定名字的参数可以同时过滤tag的多个属性
print soup.find_all("a",id="link2")
#在这里我们想用 class 过滤，不过 class 是 python 的关键词，这怎么办？加个下划线就可以
print soup.find_all("a",class_="sister")
#有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性
#data_soup = BeautifulSoup('<div data-foo="value">foo!</div>')
#data_soup.find_all(data-foo="value")
# SyntaxError: keyword can't be an expression
#通过 find_all() 方法的 attrs 参数定义一个字典参数来搜索包含特殊属性的tag
#data_soup.find_all(attrs={"data-foo":"value"})
#text 参数
#通过 text 参数可以搜搜文档中的字符串内容.与 name 参数的可选值一样, text 参数接受 字符串 , 正则表达式 , 列表, True
print soup.find_all(text="Elsie")
print soup.find_all(text=re.compile("Dormouse"))
#4)limit 参数:
#find_all() 方法返回全部的搜索结构,如果文档树很大那么搜索会很慢.如果我们不需要全部结果,可以使用 limit 参数限制返回结果的数量.效果与SQL中的limit关键字类似,当搜索到的结果数量达到 limit 的限制时,就停止搜索返回结果.
#5）recursive 参数
#调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False .
print soup.html.find_all("title",recursive=False)
#（2）find( name , attrs , recursive , text , **kwargs )
#它与 find_all() 方法唯一的区别是 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
#（3）find_parents() find_parent()
#find_all() 和 find() 只搜索当前节点的所有子节点,孙子节点等. find_parents() 和 find_parent() 用来搜索当前节点的父辈节点,搜索方法与普通tag的搜索方法相同,搜索文档搜索文档包含的内容
#（4）find_next_siblings() find_next_sibling()
#这2个方法通过 .next_siblings 属性对当 tag 的所有后面解析的兄弟 tag 节点进行迭代, find_next_siblings() 方法返回所有符合条件的后面的兄弟节点,find_next_sibling() 只返回符合条件的后面的第一个tag节点
#（5）find_previous_siblings() find_previous_sibling()
#这2个方法通过 .previous_siblings 属性对当前 tag 的前面解析的兄弟 tag 节点进行迭代, find_previous_siblings() 方法返回所有符合条件的前面的兄弟节点, find_previous_sibling() 方法返回第一个符合条件的前面的兄弟节点
#（6）find_all_next() find_next()
#这2个方法通过 .next_elements 属性对当前 tag 的之后的 tag 和字符串进行迭代, find_all_next() 方法返回所有符合条件的节点, find_next() 方法返回第一个符合条件的节点
#（7）find_all_previous() 和 find_previous()
#这2个方法通过 .previous_elements 属性对当前节点前面的 tag 和字符串进行迭代, find_all_previous() 方法返回所有符合条件的节点, find_previous()方法返回第一个符合条件的节点
#注：以上（2）（3）（4）（5）（6）（7）方法参数用法与 find_all() 完全相同，原理均类似，在此不再赘述。
# CSS选择器
#我们在写 CSS 时，标签名不加任何修饰，类名前加点，id名前加 #，在这里我们也可以利用类似的方法来筛选元素，用到的方法是 soup.select()，返回类型是 list
# 通过标签名查找
print soup.select("title")
#通过类名查找
print soup.select(".sister")
#通过ID查找
print soup.select("#link1")
#组合查找
#组合查找即和写 class 文件时，标签名与类名、id名进行的组合原理是一样的，例如查找 p 标签中，id 等于 link1的内容，二者需要用空格分开
print soup.select('p #link1')
#直接子标签查找
print soup.select("head > a")
#属性查找
#查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到。
print soup.select('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>]
print soup.select('a[href="http://example.com/elsie"]')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
#同样，属性仍然可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格
print "***********************************"
print type(soup.select("title"))
print soup.select("title")[0].string
for title in soup.select("title"):
print title.get_text()
#get_text和.string作用相似
扫一扫
1345
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
