Python爬虫连载13-BeatuifulSoup四大对象、遍历文档对象、CSS选择器

一、BeautifulSoup四大对象

1.Tag

（1）对应vb.net教程的就是Html中的标签；

（2）可以c#教程通过soup,tag_name

（3）tag里面有两种重要的属性

name：用于打印标签的python基础教程名字

attrs：用于打印属性（返回一个字典）

contents：打印内容（返回一个列表)

复制代码

from bs4 import BeautifulSoup

from urllib import request

​

url = "http://www.baidu.com"

rsp = request.urlopen(url)

content = rsp.read()

​

soup = BeautifulSoup(content)

#bs自动转码

content = soup.prettify()

print(content)

print("==" *12)

print(soup.head)

print("=="*12)

print(soup.link.name)

print("=="*12)

print(soup.link.attrs)

print(soup.link.attrs["type"])

print("=="*12)

print(soup.title)

print(soup.title.name)#打印标签

print(soup.title.attrs)

print(soup.title.contents)#打印内容，返回一个列表

2.NavigableString

对应内容值

3.BeautileSoup

（1）表示的是一个文档的内容，大部分可以把它当作是tag对象

（2）一般可以使用soup来表示

4.Comment

（1）特殊类型的NavagableString对象

（2）对其输出，则内容不包括注释符号

二、遍历文档对象

1.contents:tag的子节点以列表的方式给出

2.children：子节点以迭代器的方式返回

3.decendants：所有的孙子节点

4.string

三、搜索文档对象

find_all(name,attrs,recursive,text,**kwargs)

​name：按照哪个字符串搜索​，可以传入的内容：

（1）​字符串；（2）​正则表达式；（3）列表

kewwortd参数，可以用来表示属性

text:对应tag的文本值

复制代码

from bs4 import BeautifulSoup

from urllib import request

import re

​

url = "http://www.baidu.com"

rsp = request.urlopen(url)

content = rsp.read()

​

soup = BeautifulSoup(content)

#bs自动转码

content = soup.prettify()

for node in soup.head.contents:

    if node.name == "meta":

        print(node)

print("=="*12)

​

tags = soup.find_all(name=re.compile("meta"))#可以使用正则，返回了一个列表，找的是含有meta属性的所有标签

print(tags)

print("=="*12)

四、CSS选择器

1.使用soup.select，返回一个列表

2.通过标签名称：soup.select(“title”)

3.​通过类名：soup.select(".content")

4.​通过id名：soup.select("#name_id")

5.组合​查找：soup.select(“div #input_content”)

6.属性​查找：soup.select("img[class=“photo”])

7.​获取tag内容：tag.get_text

复制代码

from bs4 import BeautifulSoup

from urllib import request

import re

​

url = "http://www.baidu.com"

rsp = request.urlopen(url)

content = rsp.read()

​

soup = BeautifulSoup(content)

​

print(soup.prettify())

print("=="*12)

titles = soup.select("title")

print(titles[0])

print("=="*12)

metas = soup.select("meta[content='always']")

print(metas)

五、源码

Reptile13_1_BeautifulSoupFourComponent.py

Reptile13_2_TraverseFileObject.py

Reptile13_3_CSSSelector.py

https://github.com/ruigege66/PythonReptile/blob/master/Reptile13_1_BeautifulSoupFourComponent.py

https://github.com/ruigege66/PythonReptile/blob/master/Reptile13_2_TraverseFileObject.py

https://github.com/ruigege66/PythonReptile/blob/master/Reptile13_3_CSSSelector.py

2.CSDN：https://blog.csdn.net/weixin_44630050

3.博客园：https://www.cnblogs.com/ruigege0000/