【Python学习笔记】10：Beautiful Soup模块的使用

最新推荐文章于 2024-07-17 14:11:27 发布

大桔骑士v

最新推荐文章于 2024-07-17 14:11:27 发布

阅读量1.6k

点赞数

分类专栏： Python 文章标签： beautiful soup 爬虫 Python 网页解析

本文链接：https://blog.csdn.net/shu15121856/article/details/71746458

版权

Python 专栏收录该内容

48 篇文章 11 订阅

订阅专栏

Beautiful Soup模块的使用流程

①根据下载好的HTML网页字符串，创建一个Beautiful Soup对象，创建时就将整个网页字符串加载成了一个DOM树。

②根据这个DOM树，进行各个节点的搜索：find(只会搜索出第一个满足要求的节点)、find_all(搜索出所有满足要求的节点)，这两个方法的参数是一模一样的。

③得到节点以后，就可以访问节点的名称、属性、文字(相应地，在搜索节点时也可以按照节点的名称、属性、文字来进行搜索)。

创建Beautiful Soup对象

from bs4 import BeautifulSoup

#根据HTML网页字符串创建BeautifulSoup对象
soup=BeautifulSoup(
                                    html_doc,   #HTML文档字符串
                                    'html.parser',   #HTML解析器
                                    from_encoding='utf-8'    #HTML文档的编码
                                    )

搜索节点(find,find_all)

#方法：find_all(name,attrs,string)即为名称、属性、文字

#查找所有标签为a的节点
soup.find_all('a')

#查找所有标签为a，链接符合/view/123.htm形式的节点
soup.find_all('a',href='/view/123.htm')
#bs强大的地方还在于对名称、属性、文字都可以传入正则表达式
soup.find_all('a',href=re.compile(r'/view/\d+\.htm'))

#查找所有标签为div，class为abc，文字为Python的节点
soup.find_all('div',class_='abc',string='Python')
#class后面加下划线是因为和python关键字区分开

访问节点信息

#得到节点：<a href='1.html'>Python</a>

#获取查找到的节点的标签名称
node.name

#获取查找到的a节点的href属性(以字典形式访问)
node['href']

#获取查找到的a节点的链接文字
node.get_text()

例子

下面就来测试一下，假设已经获取了一个网页字符串。

#下面是一个文档字符串，用来做我们测试的素材
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>

<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""
#创建bs对象
from bs4 import BeautifulSoup
soup=BeautifulSoup(html_doc,'html.parser')

#格式化输出
#print(soup.prettify())

#获取所有链接
print ('获取所有的链接')
links=soup.find_all('a')
for link in links:
    print (link.name,link['href'],link.get_text())

#获取某个指定的链接(注意"某个"是表示用了find，"指定"是表示查询有附加条件)
print ('获取Lacie的链接')
link_node=soup.find('a',href='http://example.com/lacie')
print (link_node.name,link_node['href'],link_node.get_text())

#正则匹配
import re
print ('尝试用ill三个字母，正则表达式匹配出含有它的链接')
link_node=soup.find('a',href=re.compile(r'ill'))
print (link_node.name,link_node['href'],link_node.get_text())

#获取其它标签试试
print ('获取p段落文字')
p_node=soup.find('p',class_='title')
print (p_node.name,p_node.get_text())

运行结果：