爬虫笔记（四）--信息提取

最新推荐文章于 2024-03-20 06:06:00 发布

VIP文章 jys0703

最新推荐文章于 2024-03-20 06:06:00 发布

阅读量1.5k

点赞数

分类专栏：爬虫笔记

本文链接：https://blog.csdn.net/jys0703/article/details/104648565

版权

信息提取方法

BeautifulSoup，lxml，re，XPath Selector，CSS Selector

正则表达式库
xpath
css选择器
#@ 解析HTML页面信息标记与提取

Beautiful soup

把任何文档当成一锅汤并煲制

BeautifulSoup是解析，遍历，维护标签树的功能库
html,标签树,BeautifulSoup类等价
BeautifulSoup对应一个HTML/XML文档的全部内容

使用BeautifulSoup

from bs4 import BeautifulSoup#对BS中基本变量进行判断时也可以直接import bs4
soup = BeautifulSoup('<p>data</p>','html.parser')

对demo页面进行解析

Beautiful Soup库解析器

解析器	使用方法	条件
bs4的HTML解析器	BeautifulSoup(mk,‘html.parser’)	安装bs4库
lxml的HTML解析器	BeautifulSoup(mk,‘lxml’)	pip install lxml
lxml的XML解析器	BeautifulSoup(mk,‘xml’)	pip install xml
html5lib的HTML解析器	BeautifulSoup(mk,‘html5lib’)	pip install html5lib

BeautifuSoup库的基本元素

基本元素	说明
Tag	标签，最基本的信息组织单元，分别用<>和</>表明开头和结尾
Name	标签的名字是<p/p>
Attributes	标签的属性，字典形式组织
NavigableString	标签内非属性字符串，<>…</>中字符串
Comment	标签内字符串的注释部分

获取tag标签

soup = BeautifulSoup(demo , "html.parser")
print(soup.a)
#任何html文档中的标签都可以用soup.<tag>方式获取，当有多个标签时返回第一个

Name

soup.a.name
soup.a.parent.name
soup.a.parent.parent.name
#可对任何一个标签使用.name获取名字，为字符串类型

Attrs

soup = BeautifulSoup(demo , "html.parser")
tag = soup.a
print(tag.attrs)
#打印出的为字典

在这里插入图片描述

tag.attrs['class']
tag.attrs['href']
#可单独获取属性值

NavigableString

soup.p.string
#获取p标签的NavigableString，为字符串并可跨越多个标签，例子中跨越了b标签

在这里插入图片描述

Comment

当html文档中有注释时无法判断是否为注释，输出string时会将注释去掉！–输出

基于bs4库的HTML内容遍历方法

标签树的下行遍历

属性	说明
.contents	子节点的列表，将所有儿子节点存入列表
.children	子节点的迭代类型，与.contents类似，用于循环遍历儿子节点
.descendants	子孙节点的迭代类型，包含所有的子孙节点，用于循环遍历

import requests
from bs4 import BeautifulSoup
url = "https://www.python123.io/ws/demo.html"
r = requests.get(url)
demo = r.text
soup = BeautifulSoup(demo , "html.parser")
print(soup.body.contents)#contents不仅包括标签节点，而且包括字符串节点，如回车/n

在这里插入图片描述

soup.body.contents[1]
#contents结果为列表，可用列表方法访问

遍历儿子节点

for child in soup.body.children:
	print(child)

遍历子孙节点

for child in soup.body.descendants:
	print(child)

标签树的上行遍历

属性	说明
.parent	节点的父亲标签
.parents	节点先辈的迭代类型，用于循环遍历先辈节点

输出先辈标签名

for parent in soup.a.parents:
	if parent is None:
		print(parent)
	else:
		print(parent.name)
#遍历先辈标签时会遍历到soup本身，soup先辈不存在.name，如果先辈是none就不打印

在这里插入图片描述

标签树的平行遍历

属性	说明
.next_sibling	返回按照HTML文本顺序的下一个平行节点标签
.previous_sibling	返回按照HTML文本顺序的上一个平行节点标签
.next_sibilings	迭代类型，返回按照HTML文本顺序的后续所有平行节点标签
.previous_sibilings	迭代类型，返回按照HTML文本顺序的前续所有平行节点标签

平行遍历有条件发生在同一个父节点下的各结点间
任何一个标签的父亲节点或兄弟节点可能是字符串类型

遍历后续节点

for sibling in soup.a.next_siblings:
	print(sibling)

遍历前续节点

for sibling in soup.a.previous_siblings:
	print(sibling)

HTML内容格式化输出

html内容更加友好的显示，使用utf-8编码

import requests
from bs4 import BeautifulSoup
url = "https://www.python123.io/ws/demo.html"
r = requests.get(url)
demo = r.text
soup = BeautifulSoup(demo , "html.parser")#对demo进行html的解析，html.parser为解释器
print(soup.prettify())

在这里插入图片描述

CSS Selector

<HTML>.css('a::attr(href)').extract(

最低0.47元/天解锁文章

jys0703

关注

0
点赞
踩
4

收藏

觉得还不错? 一键收藏
0
评论
爬虫笔记（四）--信息提取

信息提取方法BeautifulSoup，lxml，re，XPath Selector，CSS Selector正则表达式库xpathcss选择器#@ 解析HTML页面信息标记与提取Beautiful soup把任何文档当成一锅汤并煲制BeautifulSoup是解析，遍历，维护标签树的功能库html,标签树,BeautifulSoup类等价BeautifulSoup对...
复制链接

扫一扫