MOOC_北理_python爬虫学习_3（Beautiful Soup库相关）

最新推荐文章于 2021-01-30 01:37:45 发布

ExcitingYi

最新推荐文章于 2021-01-30 01:37:45 发布

阅读量271

点赞数

文章标签： python

本文链接：https://blog.csdn.net/ExcitingYi/article/details/106055272

版权

Beautiful Soup 库

Beautiful Soup 的使用。

>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup('<p>data</p>',"html.parser")
'''parser为解析器。具体啥意思不知道。。。'''

实际操作：

>>> import requests
>>> r = requests.get("http://python123.io/ws/demo.html")
>>> demo = r.text
>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup(demo,"html.parser")
>>> print(soup.prettify())
'''输出结果为：
<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 class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">
    			Basic Python
   			</a>
   			and
   			<a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">
   			Advanced Python
   			</a>
			.
  		</p>
 	</body>
</html>
'''

bs4库是解析、遍历、维护“标签树”的功能库。
标签： <p class="title">...</p>
第一个p是这个标签的名称Name，在最开始和最后成对出现，表示范围。
中间有0个或多个属性Attributes，属性是由键值对构成的。
通过bs4库，将html文档（与标签树一一对应）的标签树（字符串）转化成BeautifulSoup类。html-标签树-bs类一一对应。

Beautiful Soup库解析器：

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

Beautiful Soup类的基本元素：

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，`<p>...</p>`的名字是’p’，格式：`<tag>.name`
Attributes	标签的属性，字典形式组织，格式：`<tag>.attrs`
NavigableString	标签内非属性字符串，<>…</>中字符串，格式：`<tag>.string`
Comment	标签内字符串的注释部分，一种特殊的Comment类型

获得tag标签及其name、attrs等的方法：

>>> import requests
>>> r = requests.get("http://python123.io/ws/demo.html")
>>> demo = r.text
>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup(demo,"html.parser")
>>> soup.title

'''<title>This is a python demo page</title>
title标签就是页面在浏览器左上方显示信息的内容。'''

>>> tag = soup.a
>>> tag
'''
<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a>
a标签，就是显示链接的标签。在文本中若存在多个标签，则只返回第一个标签。
'''


#name元素

>>> soup.a.name
'a'
>>> soup.a.parent.name
'p'
>>> soup.a.parent.parent.name
'body'
'''
用一个标签.name的形式获得这个标签的名字。（原来soup.a是一个标签啊。。。）
'''

#attrs元素

>>> tag.attrs
{'href': 'http://www.icourse163.org/course/BIT-268001', 'class': ['py1'], 'id': 'link1'}
'''
结果是字典。所以可以进行操作获得相应信息
'''
>>> tag.attrs
{'href': 'http://www.icourse163.org/course/BIT-268001', 'class': ['py1'], 'id': 'link1'}
>>> tag.attrs['class']	#因为是字典，所以可以进行相应的操作。
['py1']
>>> tag.attrs['href']
'http://www.icourse163.org/course/BIT-268001'
>>> type(tag.attrs)
<class 'dict'>
>>> type(tag)
<class 'bs4.element.Tag'>


#NavigableString元素

>>> soup.a.string
'Basic Python'
>>> soup.p
<p class="title"><b>The demo python introduces several python courses.</b></p>
>>> soup.p.string
'The demo python introduces several python courses.'
>>> type(soup.p.string)
<class 'bs4.element.NavigableString'>


#Comment元素
>>> 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'>
>>> type(newsoup)
<class 'bs4.BeautifulSoup'>
>>> type(newsoup.b)
<class 'bs4.element.Tag'>
'''
注意这几个元素type之间的区别。课堂里没有讲但我觉得comment就是在标签后面有个叹号然后两个-表示？我猜。
'''

标签树的遍历：

下行遍历：

属性	说明
.contents	子节点的列表，讲`<tag>`所有子节点存入列表
.children	子节点的迭代类型，与.centens类似，用于循环遍历子节点
.descendants	子孙节点的迭代类型，包含所有子孙节点，用于循环遍历

>>> import requests
>>> r = requests.get("http://python123.io/ws/demo.html")
>>> demo = r.text
>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup(demo,"html.parser")
>>> soup.head
<head><title>This is a python demo page</title></head>
>>> type(soup.head.contents)
<class 'list'>	#contents的类型为list
>>> soup.body.contents
['\n', <p class="title"><b>The demo python introduces several python courses.</b></p>, '\n', <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 class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a> and <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">Advanced Python</a>.</p>, '\n']
#对于一个标签的子节点不仅仅包括标签节点，还包括字符串节点。比如\n也是标签的子节点。

除了contents还可以用children和descendants进行对子孙节点的遍历。

for child in soup.body.children:
	print(child)
或者：
for i in soup.body.descendants:
	print(i)

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

soup.title.parent
<head><title>This is a python demo page</title></head>
for parent in soup.a.parents:	#对所有先辈标签进行遍历。
	if parent is None:
		print(parent)
	else:
		print(parent.name)
结果为：
p
body
html
[document]

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

只有同一个父亲节点下的节点才有可能是平行节点。

>>> soup.a.next_sibling
' and '
'''注意：字符串也是标签节点，一个标签的下个节点可能是avigableString元素。这里的'and'就是这种情况'''

同样，可以遍历前后续所有平行节点：
for sibling in soup.a.next_siblings:	
	print(sibling)

基于bs4库的HTML格式化和编码
prittify让html更好看。

>>> demo
'<html><head><title>This is a python demo page</title></head>\r\n<body>\r\n<p class="title"><b>The demo python introduces several python courses.</b></p>\r\n<p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:\r\n<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>\r\n</body></html>'

比较：prettify之后，每个标签后面都有个\n，表示换行。然后就编得好看一点。。。。。（但还是挺丑的，，，这个缩进一点都不明显，看不出来哪个哪个平行啥的。）

>>> soup.prettify()
'<html>\n <head>\n  <title>\n   This is a python demo page\n  </title>\n </head>\n <body>\n  <p class="title">\n   <b>\n    The demo python introduces several python courses.\n   </b>\n  </p>\n  <p class="course">\n   Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:\n   <a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">\n    Basic Python\n   </a>\n   and\n   <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">\n    Advanced Python\n   </a>\n   .\n  </p>\n </body>\n</html>'
>>> print(soup.prettify())
<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 class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">
    Basic Python
   </a>
   and
   <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">
    Advanced Python
   </a>
   .
  </p>
 </body>
</html>

bs4库将所有读入的东西都抓化成utf-8编码。python3系列毫无障碍。。。

上节课一个问题得到了结局，“找不到图片属性”，是由于浏览器问题，换成Chrome浏览器就无障碍了。
这节课的新问题：Comment元素是啥？没咋动。。

ExcitingYi

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
MOOC_北理_python爬虫学习_3（Beautiful Soup库相关）

Beautiful Soup 库Beautiful Soup 的使用。>>> from bs4 import BeautifulSoup>>> soup = BeautifulSoup('<p>data</p>',"html.parser")'''parser为解析器。具体啥意思不知道。。。'''实际操作：>>> import requests>>> r = requests.get("http:/
复制链接

扫一扫