安装
pip install beautifulsoup4 (linux可能需要使用pip3 install beautifulsoup4)
解析核心代码:
from bs4 import BeautifulSoup
soup = BeautifulSoup('<p>data</p>', 'html.parser')
Beautiful Soup库的基本元素
Beautiful Soup库是解析、遍历、维护“标签树”的功能库。
Beautiful Soup库,也叫beautifulsoup4 或 bs4,约定引用方式如下,即主要是用BeautifulSoup类
from bs4 import BeautifulSoup
or
import beautifulsoup4
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 lxml |
html5lib的解析器 | BeautifulSoup(mk,’html5lib’) | pip install html5lib |
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<>和标明开头和结尾 |
Name | 标签的名字,…的名字是’p’,格式:.name |
Attributes | 标签的属性,字典形式组织,格式:.attrs |
NavigableString | 标签内非属性字符串,<>…中字符串,格式:.string |
Comment | 标签内字符串的注释部分,一种特殊的Comment类型 |
- Tag标签: 任何存在于HTML语法中的标签都可以用
soup.<tag>
访问获得 当HTML文档中存在多个相同<tag>
对应内容时,soup.<tag>
返回第一个. - Tag的name(名字): 每个
<tag>
都有自己的名字,通过<tag>.name
获取,字符串类型 - Tag的attrs(属性): 一个
<tag>
可以有 0或多个属性,字典类型,通<tag>.attrs
获取 - Tag的NavigableString: NavigableString可以跨越多个层次,通过
<tag>.string
获取, - Comment: 是一种特殊类型
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,包含所有子孙节点,用于循环遍历 |
BeautifulSoup类型是标签树的根节点
标签树的下行遍历
for child in soup.body.children:
print(child) #遍历儿子节点
for child in soup.body.descendants:
print(child) #遍历子孙节点
- 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 |
- 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 |
表签树的平行遍历
for sibling in soup.a.next_sibling:
print(sibling) #遍历后续节点
for sibling in soup.a.previous_sibling:
print(sibling) #遍历前续节点
三种遍历方法比较
基于bs4库的HTML格式输出
bs4库的prettify()方法
属性 | 说明 |
---|---|
.prettify() | 为HTML文本<>及其内容增加更加’\n’ |
prettify()方法示例:
.prettify()
可用于标签,方法:<tag>.prettify()
.prettify()方法示例:
- 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