BeautifulSoup在爬虫中的应用

最新推荐文章于 2022-08-29 23:49:03 发布

Taylor_Rose

最新推荐文章于 2022-08-29 23:49:03 发布

阅读量734

点赞数

分类专栏： Html Python

本文链接：https://blog.csdn.net/u013663685/article/details/46843037

版权

Python 同时被 2 个专栏收录

5 篇文章 0 订阅

订阅专栏

Html

1 篇文章 0 订阅

订阅专栏

在网页爬虫中，往往会出现这样的情况，我需要一次性抓取某个标签中所有的内容，比如<p></p>中的内容，但是不止一对这样的标签，这个时候就可以用到BeautifulSoup了。

可以直接去官网安装，也可以用命令pip install beautifulsoup4，来安装beautifulsoup。前提是要装了pip。

进入正题：

# -*- coding: utf-8 -*-
__author__ = 'Taylor Rose'
import re
import requests
from bs4 import BeautifulSoup
html="""
<html><head><title>Love Story</title></head>
<body>
<p class="title"><b>The Taylor's story</b></p>

<p class="story">We were both young when I first saw you
<a href="http://example.com/elsie" class="sister" id="link1">Juliet</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Romio</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Taylor</a>;
Pull out ring and said:"Marry me Juliet you never have to be alone-"</p>

<p class="story">...</p>
"""
soup=BeautifulSoup(html,"lxml")
print(soup.title)
print(soup.title.name)
print(soup.title.string)
print(soup.p)
print(soup.a)
print(soup.find_all('a'))
print(soup.find(id="link2"))#id=""可以和上一行结合在一起
print(soup.get_text())#如果get_text没有括号的话得到的内容是以一整行的格式输出

可以看出：soup 就是BeautifulSoup处理格式化后的字符串，soup.title 得到的是title标签，soup.p 得到的是文档中的第一个p标签，要想得到所有标签，得用find_all

函数。find_all 函数返回的是一个序列，可以对它进行循环，依次得到想到的东西.

get_text() 是返回文本,这个对每一个BeautifulSoup处理后的对象得到的标签都是生效的。你可以试试 print soup.p.get_text()

其实是可以获得标签的其他属性的，比如我要获得a标签的href属性的值，可以使用 print soup.a['href'],类似的其他属性，比如class也是可以这么得到的（soup.a['class']）。

特别的，一些特殊的标签，比如head标签，是可以通过soup.head 得到，其实前面也已经说了。

如何获得标签的内容数组？使用contents 属性就可以比如使用 print soup.head.contents，就获得了head下的所有子孩子，以列表的形式返回结果，

可以使用 [num] 的形式获得 ,获得标签，使用.name 就可以。

获取标签的孩子，也可以使用children，但是不能print soup.head.children 没有返回列表，返回的是 <listiterator object at 0x108e6d150>,

不过使用list可以将其转化为列表。当然可以使用for 语句遍历里面的孩子。

关于string属性，如果超过一个标签的话，那么就会返回None，否则就返回具体的字符串print soup.title.string 就返回了 The Dormouse's story

超过一个标签的话，可以试用strings

向上查找可以用parent函数，如果查找所有的，那么可以使用parents函数