Beautiful Soup
Beautiful Soup 是一个HTML/XML 的解析器,主要用于解析和提取 HTML/XML 数据。
它基于HTML DOM 的,会载入整个文档,解析整个DOM树,因此时间和内存开销都会大很多,所以性能要低于lxml。
BeautifulSoup 用来解析 HTML 比较简单,API非常人性化,支持CSS选择器、Python标准库中的HTML解析器,也支持 lxml 的 XML解析器。
虽然说BeautifulSoup4 简单容易比较上手,但是匹配效率还是远远不如正则以及xpath的,一般不推荐使用,推荐正则的使用。
步骤
第一步:pip install beautifulsoup4 ,万事开头难,先安装 beautifulsoup4,安装成功后就完成了第一步。
第二步:导入from bs4 import BeautifulSoup
第三步:创建 Beautiful Soup对象 soup = BeautifulSoup(html,‘html.parser’)
Beautiful Soup库的基本元素
Beautiful Soup库的理解: Beautiful Soup库是解析、遍历、维护“标签树”的功能库,对应一个HTML/XML文档的全部内容
Beautiful Soup库的基本元素
-
Beautiful Soup库的理解:
Beautiful Soup库是解析、遍历、维护“标签树”的功能库,对应一个HTML/XML文档的全部内容 -
BeautifulSoup类的基本元素:
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;
Comment 标签内字符串的注释部分,一种特殊的Comment类型;
、
# 导入bs4库
from bs4 import BeautifulSoup
import requests # 抓取页面
r = requests.get('https://python123.io/ws/demo.html') # Demo网址
demo = r.text # 抓取的数据
# 解析HTML页面
soup = BeautifulSoup(demo, 'html.parser') # 抓取的页面数据;bs4的解析器
# 有层次感的输出解析后的HTML页面
print(soup.prettify())
1)标签,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
2)标签的名字:每个<tag>都有自己的名字,通过soup.<tag>.name获取,字符串类型
3)标签的属性,一个<tag>可以有0或多个属性,字典类型,soup.<tag>.attrs
4)Attributes:标签内非属性字符串,格式:soup.<tag>.string, NavigableString可以跨越多个层次
5)NavigableString:标签内字符串的注释部分,Comment是一种特殊类型(有-->)
6) .prettify()为HTML文本<>及其内容增加更加’\n’,有层次感的输出
.prettify()可用于标签,方法:<tag>
.prettify()
7)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
基于bs4库的HTML内容遍历方法
HTML基本格式:<>…</>
构成了所属关系,形成了标签的树形结构
- 标签树的下行遍历
- .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
- .contents 子节点的列表,将
- 标签树的上行遍
- .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
- .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
- 注意:
- 标签树的平行遍历是有条件的
- 平行遍历发生在同一个父亲节点的各节点之间
- 标签中的内容也构成了节点
- 详见:https://www.cnblogs.com/mengxiaoleng/p/115857