Beautiful Soup 库的基本元素
1、Beautiful Soup库的理解:
- beautiful Soup库是解析、遍历、维护“标签树”的功能库
2、 引用方式:
from bs4 import BeautifulSoup
import bs4
- 注释:Beautiful Soup 库,也叫beautifulsoup4或bs4
3、Beautiful Soup库解析器
soup = BeautifulSoup(’<html>data<html>’,‘html.parser’)
解析器 | 使用方法 | 条件 |
---|---|---|
bs4的HTML解释器 | BeautifulSoup(mk,‘html.parser’) | 安装bs4库 |
lxml的HTML解释器 | BeautifulSoup(mk,‘lxm’) | pip install lxml |
lxml的XML解释器 | BeautifulSoup(mk,‘xml’) | pip install lxml |
html5lib的解析器 | BeautifulSoup(mk,‘html5lib’) | pip install html5lib |
4、BeautifulSoup类的基本元素
<p class = “title”>…</p>
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,<p>…</p>的名字是’p’,格式:<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,<>…</>中的字符串,格式:<tag>.string |
Comment | 标签内字符串的注释部分,一种特殊的Comment类型 |
演示HTML页面地址:https://python123.io/ws/demo.html
5、标签树的下行遍历
属性 | 说明 |
---|---|
.conents | 子节点的列表,将<tag>所有的儿子节点存入列表 |
.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,包含所有的子孙节点,用于循环遍历 |
6、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_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 |
.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 |
7、标签树的上行遍历
属性 | 说明 |
---|---|
.parent | 节点的父亲标签 |
.parents | 节点先辈标签的迭代类型,用于循环遍历先辈节点 |
8、HTML内容更加友好显示:soup.prettify()
from bs4 import BeautifulSoup
soup = BeautifulSoup(demo,"html.parser"</font>)
print(soup.prettify())
解释:
prettify()为HTML文本<>及其内容增加了’\n’
9、bs4库的编码
bs4库将任何HTML输入都变成utf-8编码,Python 3.x默认支持编码是utf-8,解析无障碍
附加:HTML基本格式