Beautiful Soup库
Beautiful Soup库的理解
![](http://i.imgur.com/dTZ6Tj6.png)
Beautiful Soup库是解析、遍历、维护“标签树”的功能库
![](http://i.imgur.com/kt7od7j.png)
Beautiful Soup库的引用
Beautiful Soup库,也叫beautifulsoup4 或bs4
约定引用方式如下,即主要是用BeautifulSoup类
from bs4 import BeautifulSoup
import bs4
BeautifulSoup类
![](http://i.imgur.com/050m12Z.png)
BeautifulSoup对应一个HTML/XML文档的全部内容
Beautiful Soup库解析器
soup = BeautifulSoup('<html>data<html>','html.parser')
解析器 | 使用方法 | 条件 |
---|---|---|
bs4的HTML解析器 | BeautifulSoup(mk,’html.parser’) | 安装bs4库 |
lxml的HTML解析器 | BeautifulSoup(mk,’lxml’) | pip install lxml |
lxml的XML解析器 | BeautifulSoup(mk,’xml’) | pip install lxml |
html5lib的解析器 | BeautifulSoup(mk,’html5lib’) | pip install html5lib |
BeautifulSoup类的基本元素
<p class=“title”> … </p>
基本元素 | 说明 |
---|---|
Tag | 标签,最基本的信息组织单元,分别用<>和标明开头和结尾 |
Name | 标签的名字,\…\的名字是’p’,格式:\.name |
Attributes | 标签的属性,字典形式组织,格式:\.attrs |
NavigableString | 标签内非属性字符串,\<>…\中字符串,格式:\.string |
Comment | 标签内字符串的注释部分,一种特殊的Comment类型 |
Tag标签
>>> import requests
>>> r = requests.get("http://python123.io/ws/demo.html")
>>> r.text
>>> demo = r.text
>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup(demo,'html.parser')
>>> print(soup.prettify())
>>> soup.title
<title>This is a python demo page</title>
>>> soup.a
<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a>
任何存在于HTML语法中的标签都可以用soup.访问获得
当HTML文档中存在多个相同对应内容时,soup.返回第一个
Tag的name(名字)
>>> soup.a.name
'a'
>>> soup.a.parent.name
'p'
每个都有自己的名字,通过.name获取,字符串类型
Tag的attrs(属性)
>>> tag = soup.a
>>> tag.attrs
{'href': 'http://www.icourse163.org/course/BIT-268001', 'class': ['py1'], 'id': 'link1'}
一个可以有0或多个属性,字典类型
Tag的NavigableString
>>> soup.a.string
'Basic Python'
>>> soup.p.string
'The demo python introduces several python courses.'
>>> type(soup.p.string)
NavigableString可以跨越多个层次
Tag的Comment
>>> newsoup = BeautifulSoup("<b><!--This is a comment--></b><p>This is not a comment</p>","html.parser")
>>> newsoup.b.string
'This is a comment'
>>> type(newsoup.b.string)
<class 'bs4.element.Comment'>
>>> newsoup.p.string
'This is not a comment'
>>> type(newsoup.p.string)
<class 'bs4.element.NavigableString'>
Comment是一种特殊类型
基于bs4库的HTML内容遍历方法
HTML基本格式
<html>
<head>
<title>This is a python demo page</title>
</head>
<body>
<p class="title">
<b>The demo python introduces several python courses.</b>
</p>
<p class=“course”>Python is a wonderful general‐purpose programming language.
You can learn Python from novice to professional by tracking the following courses:
<a href="http://www.icourse163.org/course/BIT‐268001" class="py1"
id="link1">Basic Python</a> and
<a href="http://www.icourse163.org/course/BIT‐1001870001" class="py2"
id="link2">Advanced Python</a>.
</p>
</body>
</html>
![](http://i.imgur.com/D4Vb2u4.png)
<>…<\> (应为“/”)构成了所属关系,形成了标签的树形结构
标签树的下行遍历
BeautifulSoup类型是标签树的根节点
属性 | 说明 |
---|---|
.contents | 子节点的列表,将所有儿子节点存入列表 |
.children | 子节点的迭代类型,与.contents类似,用于循环遍历儿子节点 |
.descendants | 子孙节点的迭代类型,包含所有子孙节点,用于循环遍历 |
遍历儿子节点:
for child in soup.body.children:
print(child)
遍历子孙节点:
for child in soup.body.descendants:
print(child)
标签树的上行遍历
属性 | 说明 |
---|---|
.parent | 节点的父亲标签 |
.parents | 节点先辈标签的迭代类型,用于循环遍历先辈节点 |
遍历所有先辈节点,包括soup本身,所以要区别判断:
>>> for parent in soup.a.parents:
if parent is None:
print(parent)
else:
print(parent.name)
p
body
html
[document]
标签树的平行遍历
属性 | 说明 |
---|---|
.next_sibling | 返回按照HTML文本顺序的下一个平行节点标签 |
.previous_sibling | 返回按照HTML文本顺序的上一个平行节点标签 |
.next_siblings | 迭代类型,返回按照HTML文本顺序的后续所有平行节点标签 |
.previous_siblings | 迭代类型,返回按照HTML文本顺序的前续所有平行节点标签 |
![](http://i.imgur.com/CaUq9PG.png)
遍历后续节点
for sibling in soup.a.next_sibling:
print(sibling)
遍历前续节点
for sibling in soup.a.previous_sibling:
print(sibling)
小结
![](http://i.imgur.com/dAsK0td.png)
基于bs4库的HTML格式输出
bs4库的prettify()方法
![](http://i.imgur.com/CYC7O4L.png)
.prettify()为HTML文本<>及其内容增加更加’\n’
.prettify()可用于标签,方法:.prettify()
![](http://i.imgur.com/OTuxTLo.png)
bs4库的编码
bs4库将任何HTML输入都变成utf‐8编码
Python 3.x默认支持编码是utf‐8,解析无障碍
![](http://i.imgur.com/OB9eWST.png)