Beautiful Soup的介绍
Beautiful Soup是一个Python库,旨在用于快速的周转项目,例如屏幕抓取。三个功能使其强大:
Beautiful Soup提供了一些用于导航,搜索和修改解析树的简单方法和Pythonic习惯用法:用于剖析文档并提取所需内容的工具箱。编写应用程序不需要太多代码
Beautiful Soup会自动将传入文档转换为Unicode,将传出文档转换为UTF-8。您不必考虑编码,除非文档未指定编码并且Beautiful Soup无法检测到编码。然后,您只需要指定原始编码即可。
Beautiful Soup位于流行的Python解析器(如lxml和html5lib)的顶部,使您可以尝试不同的解析策略或提高灵活性。
Beautiful Soup库解析器
import requests
from bs4 import BeautifulSoup
r.requests.get("http://python123.io/ws/demo.html") #请求网页
demo = r.text
soup = BeautifulSoup(dem,'html.parser') #指定变量soup代替解析的demo
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库的基本元素
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, … 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
soup = BeautifulSoup(demo, "html.parser")
soup.title #解析得到demo网页的<title>标签
soup.a #解析得到demo网页的<a>标签
soup.p #解析得到demo网页的<p>标签
Tag的name(名字)
soup = BeautifulSoup(demo, "html.parser")
soup.a.name #<a>标签的名字
soup.a.parent.name #<a>标签的父级标签
soup.a.parent.parent.name #<a>标签父级标签的父级标签
Tag的attrs(属性)
<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link">Basic Python</a>
soup = BeautifulSoup(demo, "html.parser")
soup.a.attrs #<a>标签的属性
soup.a.attrs['class']
type(soup.a.attrs) #一个标签可以有多个属性,字典类型
type(soup.a)
Tag的NavigableString(非属性字符串)
soup.a
soup.a.string
soup.p
soup.p.string
type(soup.p.string)
Tag的Comment(字符串注释部分)
newsoup = BeautifulSoup("<b><!--This is a comment--></b><p>This is not a comment</p>", "html.parser")
newsoup.b.string
type(newsoup.b.string) #<class 'bs4.element.Comment'> b标签内的注释是一种特殊类型
newsoup.p.string
type(newsoup.p.string) #<class 'bs4.element.NavigableString'>
bs4库的HTML内容遍历
html的的遍历有三种:
- head标签下行遍历,html→head→title
- body标签上行遍历,b/a→p→body→html
- 相同标签的平行遍历
下行遍历
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 |
soup = BeautifulSoup(demo, "html.parser")
soup.head #head标签的所有内容
soup.head.contents #head标签子标签内容,可有多个
soup.body.contents #body标签子标签内容,可有多个
len(soup.body.contents) #body子标签有多少个,'\n'表示回车
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 |
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 |
.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 |
备注:平行遍历发生在同一个父节点下的各节点间,而head下的标签到body下的标签不能成为平行遍历。
bs4库的HTML格式输出
prettify()
soup = BeautifulSoup(demo, "html.parser")
soup.prettify() #利用\n进行分词
print(soup.prettify()) #通过print,更加工整的输出html结构
print(soup.a.prettify()) #对<a>标签美化输出
BeautifulSoup库的实现
import requests
from bs4 import BeautifulSoup
r.requests.get("http://python123.io/ws/demo.html")
r.status_code
r.text
soup = BeautifulSoup(r.text, 'html.parser') #html.parser是bs4的html解析器,这里用一个变量soup代替
soup.title #title标签,最基本的信息组织单元
soup.title.name #标签的名字
soup.title.parent.name #父级标签的名字
soup.title.attrs #标签的属性,字典形式组织
soup.title.string #标签内非属性字符串
soup.p.string
type(soup.a) #a里边的属性,可能含有多个,如a里的class、href