https://blog.csdn.net/love666666shen/article/details/77512353
https://www.cnblogs.com/zhaof/p/6930955.html
http://www.mamicode.com/info-detail-1907387.htm
Beautiful Soup的简介
简单来说,Beautiful Soup是python的一个库,最主要的功能是从网页抓取数据。官方解释如下:
Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱,通过解析文档为用户提供需要抓取的数据,因为简单,所以不需要多少代码就可以写出一个完整的应用程序。
Beautiful Soup自动将输入文档转换为Unicode编码,输出文档转换为utf-8编码。你不需要考虑编码方式,除非文档没有指定一个编码方式,这时,Beautiful Soup就不能自动识别编码方式了。然后,你仅仅需要说明一下原始编码方式就可以了。
Beautiful Soup已成为和lxml、html6lib一样出色的python解释器,为用户灵活地提供不同的解析策略或强劲的速度。
使用
首先必须要导入 bs4 库
from bs4 import BeautifulSoup我们创建一个字符串,后面的例子我们便会用它来演示
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>"""#html字串
创建 beautifulsoup 对象
soup = BeautifulSoup ( html )
#html本地文件
另外,我们还可以用本地 HTML 文件来创建对象,例如
soup = BeautifulSoup ( open ( 'index.html' ) )上面这句代码便是将本地 index.html 文件打开,用它来创建 soup 对象
#远程html文件
request = urllib.request.urlopen(url) data = request.read() res = BeautifulSoup(data,'html.parser')下面我们来打印一下 soup 对象的内容,格式化输出print soup . prettify ( )< html >< head >< title >The Dormouse 's story</title>以上便是输出结果,格式化打印出了它的内容,这个函数经常用到
Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象:
print(soup.title)soup.head soup.a #显示第一个同名标签 soup.head.name #显示标签名称,这里输出‘head’ soup.head.attrs #显示标签的属性,以字典形式返回所有属性 soup.head[‘class‘] #显示head标签的class属性值 soup.head[‘class‘] = ‘newclass‘ #修改head标签class属性值为‘newclass’ del soup.head[‘class‘] #删除head标签的class属性
print(type(soup.title))
print(soup.head)
print(soup.p)通过这种soup.标签名 我们就可以获得这个标签的内容
这里有个问题需要注意,通过这种方式获取标签,如果文档中有多个这样的标签,返回的结果是第一个标签的内容,如上面我们通过soup.p获取p标签,而文档中有多个p标签,但是只返回了第一个p标签内容获取名称
当我们通过soup.title.name的时候就可以获得该title标签的名称,即title
获取属性
print(soup.p.attrs['name'])
print(soup.p['name'])
上面两种方式都可以获取p标签的name属性值获取内容
print(soup.p.string)
结果就可以获取第一个p标签的内容:
The Dormouse's story嵌套选择
我们直接可以通过下面嵌套的方式获取
print(soup.head.title.string)
from bs4 import BeautifulSou