关于BeautifulSoup库
BeautifulSoup库,也叫 beautifulsoup4 或 bs4。
常用方法:
from bs4 import BeautifulSoup (注意大写)
也可以在需要的时候直接
import bs4
BeautifulSoup库是一个能够解析,维护,遍历标签树的功能库。
其对应着一个HTML/XML文档的全部内容
soup = BeautifulSoup(mk,‘html,.parser’)
使用了bs4库中的HTML解释器
BeautifulSoup库的基本元素
<p class='title'>.....</p>
包含基础元素:
Tag:标签,最基本的信息组织的单元,分别用<>和</>表示
Name:标签的名字,《p>…《/p>的名字是‘p’,格式是<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,格式<tag》.string
Comment:标签内字符串的注释部分,一种特殊的Comment类型
TAG标签
任何存在于HTML语法中的标签都可以用soup.<tag》访问获得
当存在多个相同《tag》对应内容时,soup.<tag》返回第一个
每个tag都有自己的名字,通过《tag》.name获取,字符串类型
一个《tag>可以有0或多个属性,字典类型
tag中的NavigableString可以跨越多个层次
HTML的基本格式及遍历
树的下行遍历
属性 | 说明 |
---|---|
.content | 子节点的列表,将<tag 中所有儿子节点存入列表 |
.children | 子节点的迭代类型,与.content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 |
BeautifulSoup类型是标签树的根节点
for child in soup.body.children:
print(child) #遍历儿子节点
for child in soup.body.descendants:
print(child) #遍历子孙节点
树的上行遍历
与下行遍历类似,利用.parent(表示节点的父亲类型)和.parents(表示节点父辈标签的迭代类型,用于循环遍历先辈节点)
soup = BeautifulSoup(demo, "html,parser")
for parent in soup.a.parents:
if parent is None:
print(parent)
else:
print(parent.name)
遍历时将会遍历所有先辈节点,包括了soup本身,所以要区别判断
bs4库中的清晰表示
利用bs4库中自带的prettify()方法。
.prettify()为HTML文本<>及其内容增加更多的’\n’
.prettify()可应用于标签,方法:<tag》.prettify()
bs4库中,默认将所有HTML输入都变为utf-8编码,所以不需要为了转换编码而担忧,Python 3.x中默认编码就是utf-8,没有解析时的障碍。