爬虫基础——Beautiful Soup的使用

目录

Beautiful Soup

查询方法

find_all()

find（）

---

Beautiful Soup

Beautiful Soup 是ptthon的一个HTML或XML的解析库，可以用它来方便地从网页中提取数据。

查询方法

find_all()

from bs4 import BeautifulSoup
html='''
<div class="panel">
<div class="panel-heading"
<h4>Hello</h4>
</div>
<div class="panel-body">
<ul class="list" id="list-1">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>
<ul class="list list-small" id="list-2">
<li class="element">Foo</li>
<li class="element">Bar</li>
</ul>
</div>
</div>
'''
soup=BeautifulSoup(html,"html.parser")
print(soup.find_all(name='ul'))

首先用BeautifulSoup（）初始化对象，BeautifulSoup（）中的第一个参数为HTML代码，第二个参数“html.parser”表示指定html解析器，因为BeautifulSoup不仅可以解析HTML还可以解析XML，所以应该指定解析HTML，否则会报警告。

之后再使用find_all（）方法输出所有节点为ul的元素。find_all()可以输出所有符合条件的节点。

运行结果：

 除了根据节点名查询，我们还可以传入一些属性来查询，例如：

from bs4 import BeautifulSoup
html='''
<div class="panel">
<div class="panel-heading"
<h4>Hello</h4>
</div>
<div class="panel-body">
<ul class="list" id="list-1">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>
<ul class="list list-small" id="list-2">
<li class="element">Foo</li>
<li class="element">Bar</li>
</ul>
</div>
</div>
'''
soup=BeautifulSoup(html,"html.parser")
print(soup.find_all(attrs={'id':'list-1'}))

传入attrs参数，参数的类型是字典类型，如果我们要查找属性id为list-1，应该以字典类型输入参数。得到的结果为列表形式。

如下图：

 对于一些常用的属性，例如class等，我们可以不用attrs来传递，例如：

from bs4 import BeautifulSoup
html='''
<div class="panel">
<div class="panel-heading"
<h4>Hello</h4>
</div>
<div class="panel-body">
<ul class="list" id="list-1">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>
<ul class="list list-small" id="list-2">
<li class="element">Foo</li>
<li class="element">Bar</li>
</ul>
</div>
</div>
'''
soup=BeautifulSoup(html,"html.parser")
print(soup.find_all(class_='element'))

注意这里的class后面加了下划线，是因为class在python中为关键字。返回的结果依然是列表：

find（）

除了find_all()方法，还有find（）方法，只不过后者返回的是单个元素，也就是第一个匹配的元素，而前者返回的是所有匹配的元素组成的列表。