Python网络爬虫与信息提取
1.BeautifulSoup的官网与安装
通过pip安装
pip install beautifulsoup4
2.小案例：BeautifulSoup库安装小测
import requests
from bs4 import BeautifulSoup
url = 'https://python123.io/ws/demo.html'
r = requests.get(url)
demo = r.text
soup = BeautifulSoup(demo, "html.parser")
print(soup.prettify())
3.BeautifulSoup库的基本元素
BeautifulSoup库是解析、遍历、维护“标签树”的功能库。
HTML代码=标签树 = BeautifulSoup类
Beautiful Soup库的引用
Beautiful Soup库，也叫beautifulsoup4或bs4。
from bs4 import BeautifulSoup #从bs4库中引入一个BeautifulSoup类型
或者
import bs4
BeautifulSoup类
HTML代码 = 标签树 = BeautifulSoup类
from bs4 import BeautifulSoup
soup = BeautifulSoup('<html>data</html>', 'html.parser')
soup2 = BeautifulSoup('D://demo.html', 'html.parser')
BeautifulSoup对应一个 HTML / XML 文档全部内容。
BeautifulSoup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 lxml |
| html5lib解析器 | BeautifulSoup(mk, 'html5lib') | pip install html5lib |
BeautifulSoup类的基本元素
| 基本元素 | 说明 |
|---|---|
| Tag | 标签，最基本的信息组织单元，分别用<>和</>标明开头和结尾 |
| 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，<>…</>中字符串，格式：<tag>.string，能构成节点 |
| Comment | 标签内字符串的注释部分，一种特殊的Comment类型 |
BeautifulSoup库的理解
4.基于bs4库的HTML内容遍历方法
案例HTML页面：
<html>
<head>
<title>This is a python demo page</title>
</head>
<body>
<p class="title">
<b>The demo python introduces several python courses.</b>
</p>
<p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to
professional by tracking the following courses:
<a href="http://www.icourse163.org/course/BIT-268001" class="py1" id="link1">Basic Python</a> and
<a href="http://www.icourse163.org/course/BIT-1001870001" class="py2" id="link2">Advanced Python</a>.
</p>
</body>
</html>
HTML标签结构
标签树的下行遍历
| 属性 | 说明 |
|---|---|
| .contents | 子节点的列表，将<tag>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 |
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 | 节点先辈标签的迭代类型，用于循环遍历先辈节点 |
遍历a标签的所有先辈标签
import requests
from bs4 import BeautifulSoup
url = 'https://python123.io/ws/demo.html'
r = requests.get(url)
demo = r.text
soup = BeautifulSoup(demo, "html.parser")
for parent in soup.a.parents:
print(parent.name)
结果：
p
body
html
[document]
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 |
要求：平行遍历发生在同一个父节点下的各节点间
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)
5.基于bs4库的HTML格式输出
soup.prettify()
from bs4 import BeautifulSoup
soup = BeautifulSoup("<p>中文</p>", "html.parser")
print(soup.p)
print(soup.p.prettify())
输出:
<p>中文</p>
<p>
中文
</p>
213
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
