Python爬虫学习 4 —— 使用BeautifulSoup解析HTML

  之前我爬取得到的页面都是HTML文档，阅读起来不是很友好，我们可以使用 bs4 库的BeautifulSoup模块来解析HTML，分析提取其中的内容。

---

一、bs4插件的安装

step1：打开cmd
step2：输入下面命令安装bs4

 pip install  bs4

---

二、BeautifulSoup类的使用

我们首先需要制作soup，再通过soup完成各种操作：
语法：
   from bs4 import BeautifulSoup
   soup = BeautifulSoup(<p>data</p>, ‘html.parser’)

创建对象：创建BeautifulSoup类的对象：

from bs4 import BeautifulSoup
soup1 = BeautifulSoup("<p>This is content</p>", "html.parser")
soup2 = BeautifulSoup(open("D://demo.html"), "html.parser")

使用举例：我们可以调用BeautifulSoup类对象的prettify来格式化HTML代码

import requests
from bs4 import BeautifulSoup

soup = BeautifulSoup("<p>中文</p>", "html.parser")
print(soup.prettify())

美化后的HTML代码：

<p>
 中文
</p>

---

二、Beautiful Soup类的基本元素

基本元素：5 种

基本元素	说明
Tag	标签，最基本的信息组织单元，分别用<>he </>标明开否和结尾
Name	标签的名字，如<p>data</p>的名字为‘p’，格式：<tag>.name
Attributes	标签的属性，字典组织形式，格式：<tag>.attrs
Navigable String	标签内非属性的字符串，格式：<tag>.string
Comment	标签内字符串的注释部分

使用举例：

import requests
from bs4 import BeautifulSoup

url = "http://python123.io/ws/demo.html"
r = requests.get(url)
soup = BeautifulSoup(r.text, "html.parser")

使用 tag 元素：

>>> print(soup.title)
<title>This is a python demo page</title>
>>> print(soup.a)
<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a>
>>> print(type(soup.a))
<class 'bs4.element.Tag'>

使用 name 元素

>>> print(soup.a.name)
a
>>> print(soup.a.parent.name)
p

使用 Attributes 属性

>>> print(soup.a.attrs)
{'href': 'http://www.icourse163.org/course/BIT-268001', 'class': ['py1'], 'id': 'link1'}
>>> print(soup.a.attrs["class"])
['py1']

使用 Navigable String 属性

>>> print(soup.a.string)
Basic Python
>>> print(soup.p.string)
The demo python introduces several python courses.

---

三、标签树的遍历

HTML基本格式：

---

标签树的下行遍历：

1、下行遍历属性：

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 .content 类似，用于循环遍历儿子节点
.descendants	子孙结点的迭代类型，包含所有的子孙节点，用于循环遍历

2、遍历框架
    for child in soup.body.children:    # 遍历儿子节点
      print(child)

    for child in soup.body.descendants: # 遍历子孙节点
      print(child)

3、例子

import requests
from bs4 import BeautifulSoup

url = "http://python123.io/ws/demo.html"
r = requests.get(url)
soup = BeautifulSoup(r.text, "html.parser")

print(soup.head.contents)
print(len(soup.body.contents))
print(soup.body.contents)
print(soup.body.contents[1])

---

标签树的上行遍历：
1、上行遍历属性：

属性	说明
.parent	节点的父亲标签
.parents	节点的先辈标签的迭代类型，用于循环遍历先辈节点

2、例子

在这里插入代码片import requests
from bs4 import BeautifulSoup

url = "http://python123.io/ws/demo.html"
r = requests.get(url)
soup = BeautifulSoup(r.text, "html.parser")

print(soup.parent)
for parent in soup.a.parents:
	if parent is None:
		print(parent)
	else:
		print(parent.name)

输出：

None
p
body
html
[document]

***Repl Closed***

注意，soup没有parent，返回输出一个空列表

---

标签树的平行遍历：

1、平行遍历属性：

属性	说明
.next_sibling	前兄弟节点标签
.previous_sibling	后兄弟节点标签
.next_siblings	前兄弟节点标签可迭代类型，用于循环遍历
.previous_siblings	后兄弟节点标签可迭代类型，用于循环遍历

2、例子

import requests
from bs4 import BeautifulSoup

url = "http://python123.io/ws/demo.html"
r = requests.get(url)
soup = BeautifulSoup(r.text, "html.parser")

for sibling in soup.a.next_siblings:
	print(sibling.name)

输出：

None
a
None

---

第四篇python爬虫学习笔记完结啦 cheers ??