1、介绍
**BeautifulSoup**是一个Python库,专门用于从HTML或XML文件中提取数据。它提供了一个简单而灵活的方式来遍历和搜索文档树,以及解析和提取所需的数据。BeautifulSoup支持Python标准库中的Html解析器,还支持一些第三方解析器,使得用户可以方便地实现网页信息的提取,而无需编写复杂的正则表达式。这个库的设计哲学是“简单易用”,通过Python式的函数和方法,使得处理HTML文档变得直观和简单。
2、安装
- pip install beautifulsoup4 # 安装bs4
解析器 | 使用方法 | 优势 | 劣势 |
---|---|---|---|
Python标准库 | BeautifulSoup(markup, "html.parser") | Python的内置标准库执行速度适中文档容错能力强 | Python 2.7.3 or 3.2.2)前 的版本中文档容错能力差 |
lxml HTML 解析器 | BeautifulSoup(markup, "lxml") | 速度快文档容错能力强 | 需要安装C语言库 |
lxml XML 解析器 | BeautifulSoup(markup, ["lxml-xml"])``BeautifulSoup(markup, "xml") | 速度快唯一支持XML的解析器 | 需要安装C语言库 |
html5lib | BeautifulSoup(markup, "html5lib") | 最好的容错性以浏览器的方式解析文档生成HTML5格式的文档 | 速度慢不依赖外部扩 |
3、通过节点获取
from bs4 import BeautifulSoup
soup = BeautifulSoup('<p class="p_class" id="p_id"><b>我是b标签</b></p>', 'lxml')
# 获取整个p标签的html代码
print(soup.p)
print("-" * 20)
# 获取b标签
print(soup.p.b)
print("-" * 20)
# 获取p标签内容,或者使用get_text()
print(soup.p.text)
print("-" * 20)
# 获取p标签的class属性
print(soup.p.get("class"))
print("-" * 20)
# 返回一个字典,里面是多有属性和值
print(soup.p.attrs)
print("-" * 20)
# 查看返回的数据类型
print(type(soup.p))
print("-" * 20)
# 根据属性,获取标签的属性值,返回值为列表
print(soup.p['class'])
print("-" * 20)
4、解析步骤
1、导入模块
from bs4 import BeautifulSoup
2、实例化对象
soup = BeautifulSoup(text, "lxml")
3、提取数据
from bs4 import BeautifulSoup
text = """
<li>
<div class="item">
<div class="pic">
<em class="">1</em>
<a href="https://movie.douban.com/subject/1292052/">
<img width="100" alt="肖申克的救赎" src="https://img3.doubanio.com/view/photo/s_ratio_poster/public/p480747492.webp" class="">
</a>
</div>
<div class="info">
<div class="hd">
<a href="https://movie.douban.com/subject/1292052/" class="">
<span class="title">肖申克的救赎</span>
<span class="title"> / The Shawshank Redemption</span>
<span class="other"> / 月黑高飞(港) / 刺激1995(台)</span>
</a>
<span class="playable">[可播放]</span>
</div>
<div class="bd">
<p class="">
导演: 弗兰克·德拉邦特 Frank Darabont 主演: 蒂姆·罗宾斯 Tim Robbins /...<br>
1994 / 美国 / 犯罪 剧情
</p>
<div class="star">
<span class="rating5-t"></span>
<span class="rating_num" property="v:average">9.7</span>
<span property="v:best" content="10.0"></span>
<span>3063824人评价</span>
</div>
<p class="quote">
<span class="inq">希望让人自由。</span>
</p>
<p>
<span class="gact">
<a href="https://movie.douban.com/wish/283478165/update?add=1292052" target="_blank" class="j a_collect_btn" name="sbtn-1292052-wish" rel="nofollow">想看</a>
</span>
<span class="gact">
<a href="https://movie.douban.com/collection/283478165/update?add=1292052" target="_blank" class="j a_collect_btn" name="sbtn-1292052-collection" rel="nofollow">看过</a>
</span>
</p>
</div>
</div>
</div>
</li>
"""
# 获取所有span标签
soup = BeautifulSoup(text, "lxml")
- 1、获取所有标签
# 获取所有span标签
spans = soup.find_all("span")
for i in spans:
print(i)
- 2、获取指定标签
# 获取指定的span标签
span = soup.find_all("span")[8]
print(span)
- 3、获取指定属性的标签
# 获取指定属性的标签,两种方式
# 直接传参
span_title = soup.find_all("span",id="title")
print(span_title)
# 通过字典传参
span_9 = soup.find_all('span', attrs={"class": "inq"})
print(span_9)
- 4、获取多个属性值标签
# 获取多个属性值标签
span_title_one = soup.find_all("span",id="title", class_="title")
span_title_two = soup.find_all('span', attrs={
"id": "title",
"class": "title"
})
print(span_title_one, span_title_two)
# 若有多个属性,继续传参即可,若遇到与python解释器关键字冲突的时候加上下划线即可,推荐使用字典传参
- 5、获取标签属性值
# 获取标签属性值
# 索引列表获取
a_list = soup.find_all("a")
for a in a_list:
url = a["href"]
print(url)
# 利用attrs参数提取
for a in a_list:
url = a.attrs["href"]
print(url)
- 6、获取标签内信息
# 获取标签内信息
spans = soup.find_all("span")
for i in spans[:1]:
p = i.string
print(p)