Python Beautiful Soup使用基础知识
beautiful suop是用来解析HTML页面信息标记与提取方法,现阶段正在自学并使用中,因此把之前的笔记丢上来共勉。
1、安装
pip install beautifulsoup4
2、使用
from bs4 import BeautifulSoup
soup = BeautifulSoup(‘
data
’, ‘html.parser’)print(soup.prettify())
注: html.parser 解析器
3、基本元素
(1)HTML解析器
①bs4的HTML解析器
1)使用方法:BeautifulSoup(mk, ‘html.parser’)
2)条件:安装bs4库 (from bs4 import BeautifulSoup)
②lxml的HTML解析器
1)使用方法:BeautifulSoup(mk, ‘lxml’)
2)条件:pip install lxml
③lxml的XML解析器
1)使用方法:BeautifulSoup(mk, ‘xml’)
2)条件:pip install lxml
④html5lib的解析器
1)使用方法:BeautifulSoup(mk, ‘html5lib’)
2)条件:pip install html5lib
(2)基本元素
①Tag:标签,最基本的信息组织单元,分别用<>和</>标明开头和结尾
②Name:标签的名字,
…
的名字是’p’,格式:.name③Attributes:标签的属性,字典形式组织,格式:.attrs
④NavigableString:标签内非属性字符串,<>…</>中字符串,格式:.string
⑤Comment:标签内字符串的注释部分,一种特殊的Comment类型
4、基于bs4库的HTML内容遍历方法
(1)标签树的下午遍历
①.contents:子节点的列表,将所有儿子节点存入列表
②.children:子节点的迭代类型,与.contents类似,用于循环遍历儿子节点
③.descendants:子孙节点的迭代类型,包含所有子孙节点,用于循环遍历
(2)标签树的上行遍历
①.parent:节点的父亲标签
②.parents:节点的先辈标签的迭代类型,用于循环遍历先辈节点
(3)标签树的平行遍历
①.next_sibling:返回按照HTML文本顺序的下一个平行节点标签
②.previous_sibling:返回按照HTML文本顺序的上一个平行节点标签
③.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
④.previous_siblings:迭代类型,返回按照HTML文本顺序的前续所有平行节点标签
5、基于bs4库的HTML格式化和编码
prettify:HTML文本标签及内容美化
例如:soup.prettify() print(soup.a.prettify())