python记录：提取嵌入在HTML格式中的文本信息_网易云音乐_X车网

很多网站请求后，返回的数据是嵌套在HTML格式中的。例如：5xclass.cn

对于这种情况想要提取其中的数据，常见有两种方法：

• 基于bs4模块（本节重点）
• 基于xpath模块

1.HTML格式

<div>
    <h1 class="item">洪七公</h1>
    <ul class="item">
        <li>篮球</li>
        <li>足球</li>
    </ul>
    <div id='x3'>
        <span>5xclass.cn</span>
        <a>pythonav.com</a>
    </div>
</div>

可以根据 标签名称 或 标签属性 来实现直接或间接寻找标签。

2.bs4

基于bs4可以实现去HTML格式的包裹的数据库中快速提取我们想要的数据。

2.1 安装

pip3 install beautifulsoup4
或
pip3.11 install beautifulsoup4

2.2 使用

• 根据标签名称，获取标签（只获取找到的第1个）

  from bs4 import BeautifulSoup
  
  html_string = """<div>
      <h1 class="item">洪七公</h1>
      <ul class="item">
          <li>篮球</li>
          <li>足球</li>
      </ul>
      <div id='x3'>
          <span>5xclass.cn</span>
          <a href="www.xxx.com" class='info'>pythonav.com</a>
      </div>
  </div>"""
  
  sou