Beautiful Soup库的使用(学习笔记)

Beautiful Soup库的简介

BeautifulSoup库是解析、遍历、维护“标签树”的功能库。
可以说BeautifulSoup类对应一个HTML/XML文档的全部内容。

Beautiful Soup库安装

只需运行:pip install beautifulsoup4
在这里插入图片描述
小测试:
1.先用爬虫爬下来一个网页:

import requests
r = requests.get("http://python123.io/ws/demo.html")
r.text

在这里插入图片描述
2. 将网页的内容作为参数传给demo

demo = r.text
from bs4 import BeautifulSoup
soup = BeautifulSoup(demo,"html.parser")  #html.parser是HTML解析器,用来解析demo
print(soup.prettify())  #打印出来,查看解析是否正确

在这里插入图片描述
安装成功!

BeautifulSoup库的使用:(注意大小写)

from bs4 import BeautifulSoup  #引用BeautifulSoup库
soup = BeautifulSoup('<p> data</p>','html.parser')
soup2 = BeautifulSoup(open("D://demo.html"),"html.parser")#通过打开文件的方式

BeautifulSoup库的基本元素

Beautiful Soup库解析器
在这里插入图片描述

其实哪种解析器都可以有效解析HTML和xml
基本元素
在这里插入图片描述

获得Tag标签的基本方法

  1. 获得HTML中标签里的内容:soup.title
    或者通过:tag = soup.title 然后 tag
    效果一样
    在这里插入图片描述
    要以字符串的形式输出标签里的内容则:soup.title.string
    在这里插入图片描述
  2. 获取标签的名字:soup.a.name
    获取标签父亲标签的名字: soup.a.parent.name
    在这里插入图片描述
  3. 获得标签的属性:tag = soup.a
    后再 tag.attrs 结果以字典的方式输出
    在这里插入图片描述
  4. 查看类型用:type(soup.p.string)
    在这里插入图片描述
    见图,soup.p.string打印出来的内容并不包含p中的标签的内容,由此可知 NavigableString 是可以跨越多个标签层次的。
  5. 用type可以判断出来是否是Comment类型,因为打印时候注释内容也是正常打印出来的。

基于bs4库的HTML内容的遍历方式

标签树的下行遍历
在这里插入图片描述
用法例如:soup.head.contents
在这里插入图片描述
标签的儿子还包括字符串节点如\n

len(soup.body.contents) 获得body儿子节点的数量
soup.body.contents[1] 查看其第一个儿子
在这里插入图片描述
遍历儿子节点:for child in soup.body.children:
print(child)
遍历孙子节点:for child in soup.body.children:
print(child)

上行遍历:会遍历到soup本身
在这里插入图片描述
用法例如看title标签的父亲标签:soup.title.parent
标签html的父亲标签就是它自己
soup是一个特殊的标签,父亲是空的。
一个上行遍历代码:

soup = BeautifulSoup(demo,"html.parser")

for parent in soup.a.parents:
	if parent is None:#因为会遍历到soup本身,此时就是None
		print(parent)
	else:
		print(parent.name)

在这里插入图片描述

平行遍历
在这里插入图片描述
必须发生在同一个父亲节点下的各个节点之间,否则不构成平行遍历关系,还有NavigableString类型
在这里插入图片描述
在这里插入图片描述
遍历后续节点:

for sibling in soup.a.next_siblings:
    print(sibling)

遍历前续节点:

for sibling in soup.a.previous_siblings:
    print(sibling)

基于bs4库的HTML格式化

如何让HTML更加“友好”的显示?
用的是 bs4库的 prettify()方法,能够对文本加换行符
在这里插入图片描述

基于bs4的HTML内容查找方法

<>.find_all(name,attrs,recursive,string,**kwargs)
返回一个列表类型,存储查找的结果。
name:对标签名称的检索字符串
attrs:对标签属性值的检索字符串,可标注属性检索
recursive:是否对子孙所有进行搜索,默认为true

=====================================================================
小例子:

1.循环遍历a标签并打印出a标签下href的内容:

for link in soup1.find_all('a'):
    print(link.get('href'))

在这里插入图片描述
2.根据id找标签
在这里插入图片描述

3.查找含有特定字符串的标签的信息:在这里插入图片描述

4.循环遍历输出a标签里的内容
在这里插入图片描述
5. 为True时返回所有的标签
在这里插入图片描述

<tag>(..) 等价于 <tag>.find_all(..)
soup(..) 等价于 soup.find_all(..)
扩展方法:
区别仅在与检索区域的不同和返回个数的不同
在这里插入图片描述

*注:文章图片来自mooc课件截图

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值