Beautiful Soup库的安装
Win平台: 以管理员身份运行
cmd 执行 pip install beautifulsoup4
Beautiful Soup库的安装小测
首先,获取网页源码保存至变量中
import requests
r = requests.get("https://python123.io/ws/demo.html")
demo = r.text
其次,引入Beautiful Soup库。from bs4 import BeautifulSoup
使用Beautiful Soup库的html解析器对网页源码进行解析。得到结果
通过prettify()方法进行显示
from bs4 import BeautifulSoup
soup = BeautifulSoup(demo, "html.parser")# 使用html解析器进行解析
print(soup.prettify())# 打印解析后的结果
Beautiful Soup库使用格式
from bs4 import BeautifulSoup
soup = BeautifulSoup('
data','html.parser')
Beautiful Soup库的基本元素
Beautiful Soup库的理解
Beautiful Soup库是解析、遍历、维护“标签树”的功能库
Beautiful Soup库的引用
Beautiful Soup库,也叫beautifulsoup4 或bs4 约定引用方式如下,即主要是用BeautifulSoup类
from bs4 import BeautifulSoup importbs4
BeautifulSoup类
BeautifulSoup对应一个HTML/XML文档的全部内容
Beautiful Soup库解析器
soup=BeautifulSoup('data','html.parser')
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
BeautifulSoup(mk,'lxml')
pip install lxml
lxml的XML解析
BeautifulSoup(mk,'xml')
pip install lxml
html5lib的解析
BeautifulSoup(mk,'html5lib')
pip install html5lib
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,
…的名字是'p',格式:.name
Attributes
标签的属性,字典形式组织,格式:.attrs
NavigableString
标签内非属性字符串,<>…>中字符串,格式:.string
Comment
标签内字符串的注释部分,一种特殊的Comment类型
Tag标签
任何存在于HTML语法中的标签都可以用soup.访问获得 当HTML文档中存在多个相同对应内容时,soup.返回第一个
Tag的name(名字)
每个都有自己的名字,通过.name获取,字符串类型
Tag的attrs(属性)
一个可以有0或多个属性,字典类型
Tag的NavigableString
NavigableString可以跨越多个层次
Tag的Comment
Comment是一种特殊类型
基于bs4库的HTML内容遍历方法
HTML基本格式
标签树的下行遍历
BeautifulSoup类型是标签树的根节点
属性
说明
.contents
子节点的列表,将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
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)
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
for sibling in soup.a.next_sibling:# 遍历后续节点
print(sibling)
for sibling in soup.a.previous_sibling: # 遍历前续节点
print(sibling)
基于bs4库的HTML格式输出
能否让HTML内容更加“友好”的显示?
bs4库的prettify()方法
.prettify()为HTML文本<>及其内容增加更加'\n'
.prettify()可用于标签,方法:.prettify()
bs4库的编码
bs4库将任何HTML输入都变成utf‐8编码 Python 3.x默认支持编码是utf‐8,解析无障碍