什么是beautifulsoup:
是一个可以从HTML或XML文件中提取数据的Python库。它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式。(官方)
beautifulsoup是一个解析器,可以特定的解析出内容,省去了我们编写正则表达式的麻烦。
这里我们用的是bs4:
1、导入模块:
from bs4 import beautifulsoup
2、选择解析器解析指定内容:
soup=beautifulsoup(解析内容,解析器)
常用解析器:html.parser,lxml,xml,html5lib
有时候需要安装安装解析器:比如pip3 install lxml
BeautifulSoup默认支持Python的标准HTML解析库,但是它也支持一些第三方的解析库:
解析器之间的区别(此处摘自官方文档)
Beautiful Soup为不同的解析器提供了相同的接口,但解析器本身时有区别的。同一篇文档被不同的解析器解析后可能会生成不同结构的树型文档。
区别最大的是HTML解析器和XML解析器,看下面片段被解析成HTML结构:
BeautifulSoup("")
#
因为空标签 不符合HTML标准,所以解析器把它解析成
同样的文档使用XML解析如下(解析XML需要安装lxml库)。注意,空标签依然被保留,并且文档前添加了XML头,而不是被包含在标签内:
BeautifulSoup("", "xml")
# <?xml version="1.0" encoding="utf-8"?>
#
HTML解析器之间也有区别,如果被解析的HTML文档是标准格式,那么解析器之间没有任何差别,只是解析速度不同,结果都会返回正确的文档树。
但是如果被解析文档不是标准格式,那么不同的解析器返回结果可能不同。下面例子中,使用lxml解析错误格式的文档,结果
标签被直接忽略掉了:BeautifulSoup("
", "lxml")#
使用html5lib库解析相同文档会得到不同的结果:
BeautifulSoup("
", "html5lib")#
html5lib库没有忽略掉
标签,而是自动补全了标签,还给文档树添加了标签.使用pyhton内置库解析结果如下:
BeautifulSoup("
", "html.parser")#
与lxml [7] 库类似的,Python内置库忽略掉了
标签,与html5lib库不同的是,标准库没有尝试创建符合标准的文档格式,或将文档片段包含在标签内,与lxml不同的是标准库甚至连标签都没有尝试去添加。因为文档片段“
”是错误格式,所以以上解析方式都能算作”正确”,html5lib库使用的是HTML5的部分标准,所以最接近”正确”。不过所有解析器的结构都能够被认为是”正常”的。不同的解析器可能影响代码执行结果&#