python中BeautifulSoup模块的基础用法

前言

之前有节实验课研究了爬虫，我深刻地感觉到了xpath就不适合玩爬虫（个人见解），于是我开始试着重新复习beautifulsoup库了

beautifulsoup库的使用

安装和引用

安装直接pip安装就好了

pip install bs4

引用

from bs4 import BeautifulSoup

创建对象

soup = BeautifulSoup(res_text,"html.parser",from_encoding="utf-8")

html.parser 是一个算是用于解释html文档的东西

使用

首先我需要一个html文档，一般来说是用了requests模块以后得来的content

然后使用的语法

查找标签

test1 = soup.findAll('a') 
#这个是指我要这个文档里面所有的a标签，包括了<a>一起，有一个像是list的返回，类型叫做ResultSet
test2 = soup.findAll('a',class_='xxx')
#在上面的基础上，我要的是所有class是'xxx'的标签
test3 = soup.findAll('a',class_='xxx',text='story')
#标签里面的文本筛选

我们还可以和著名的re库，也就是正则表达式一起用

test4 = soup.findAll('a',class_='xxx',text=re.compile('.*?story.*?'))

查找标签里的内容

for item in test1:
	print(item.get_text())
#get_text()可以把标签里面的内容全部弄出来，不管你是不是普通的text，还是有<em>标签，都可以