学习资源:中国大学MOOC Python网络爬虫与信息提取 北京理工大学计算机学院 嵩天
安装BeautifulSoup模块
和requests模块一样,如果使用Anaconda 3的话,是自带BeautifulSoup模块的。如果没有BeautifulSoup模块的话,只需要以管理员身份打开cmd,输入命令pip install beautifulsoup4
即可安装。
BeautifulSoup的基本元素
BeautifulSoup是解析、遍历、维护“标签树”的功能库。
要想引用BeautifulSoup模块,我们需要以下面的语句来导入:
from bs4 import BeautifulSoup
import bs4
即主要是用BeautifulSoup类。
下表是对BeautifulSoup库解析器的说明:
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 |
下面来简单说明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 |
Comment | 标签内字符串的注释部分,一种特殊的Comment类型 |
基于bs4的HTML内容遍历方法
HTML的基本格式是:<>…</>构成了所属关系,形成了标签的树形结构,如下图所示:
对标签树的遍历可以分为三种:下行遍历、上行遍历和平行遍历。
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 |
BeautifulSoup类型是标签树的根节点。
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 |
基于bs4的HTML格式输出
prettify()方法
prettify()
为HTML文本<>及其内容增加\n
。该方法可用于标签,语法为<tag>.prettify()
。
bs4的编码
bs4将任何HTML输入都变成utf-8编码。