python soup_面向新手解析python Beautiful Soup基本用法

Beautiful Soup就是Python的一个HTML或XML的解析库，可以用它来方便地从网页中提取数据。它有如下三个特点：

Beautiful Soup提供一些简单的、Python式的函数来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。

Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为UTF-8编码。你不需要考虑编码方式，除非文档没有指定一个编码方式，这时你仅仅需要说明一下原始编码方式就可以了。

Beautiful Soup已成为和lxml、html6lib一样出色的Python解释器，为用户灵活地提供不同的解析策略或强劲的速度。

首先，我们要安装它：pip install bs4,然后安装 pip install beautifulsoup4.

Beautiful Soup支持的解析器

下面我们以lxml解析器为例：

from bs4 import BeautifulSoup

soup = BeautifulSoup('

Hello

', 'lxml')

print(soup.p.string)

结果：

Hello

beautiful soup美化的效果实例：

html = """

The Dormouse's story

The Dormouse's story

Once upon a time there were three little sisters; and their names were

,

Lacie and

Tillie;

and they lived at the bottom of a well.

...

"""

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, 'lxml')#调用prettify()方法。这个方法可以把要解析的字符串以标准的缩进格式输出

print(soup.prettify())

print(soup.title.string)

结果：

The Dormouse's story

The Dormouse's story

Once upon a time there were three little sisters; and their names were

,

Lacie

and

Tillie

;

and they lived at the bottom of a well.

...

The Dormouse's story

下面举例说明选择元素、属性、名称的方法

html = """

The Dormouse's story

The Dormouse's story

Once upon a time there were three little sisters; and their names were

,

Lacie and

Tillie;

and they lived at the bottom of a well.

...

"""

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, 'lxml')

print('输出结果为title节点加里面的文字内容:\n',soup.title)

print('输出它的类型:\n',type(soup.title))

print('输出节点的文本内容:\n',soup.title.string)

print('结果是节点加其内部的所有内容:\n',soup.head)

print('结果是第一个p节点的内容:\n',soup.p)

print('利用name属性获取节点的名称:\n',soup.title.name)

#这里需要注意的是，有的返回结果是字符串，有的返回结果是字符串组成的列表。

# 比如，name属性的值是唯一的，返回的结果就是单个字符串。

# 而对于class，一个节点元素可能有多个class，所以返回的是列表。

print('每个节点可能有多个属性，比如id和class等:\n',soup.p.attrs)

print('选择这个节点元素后，可以调用attrs获取所有属性：\n',soup.p.attrs['name'])

print('获取p标签的name属性值：\n',soup.p['name'])

print('获取p标签的class属性值：\n',soup.p['class'])

print('获取第一个p节点的文本:\n',soup.p.string)

结果：

输出结果为title节点加里面的文字内容:

The Dormouse's story

输出它的类型:

输出节点的文本内容:

The Dormouse's story

结果是节点加其内部的所有内容:

The Dormouse's story

结果是第一个p节点的内容:

The Dormouse's story

利用name属性获取节点的名称:

title

每个节点可能有多个属性，比如id和class等:

{'class': ['title'], 'name': 'dromouse'}

选择这个节点元素后，可以调用attrs获取所有属性：

dromouse

获取p标签的name属性值：

dromouse

获取p标签的class属性值：

['title']

获取第一个p节点的文本:

The Dormouse's story

在上面的例子中，我们知道每一个返回结果都是bs4.element.Tag类型，它同样可以继续调用节点进行下一步的选择。

html = """

The Dormouse's story

"""

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, 'lxml')

print('获取了head节点元素，继续调用head来选取其内部的head节点元素:\n',soup.head.title)

print('继续调用输出类型：\n',type(soup.head.title))

print('继续调用输出内容：\n',soup.head.title.string)

结果：

获取了head节点元素，继续调用head来选取其内部的head节点元素:

The Dormouse's story

继续调用输出类型：

继续调用输出内容：

The Dormouse's story

(1)find_all()

find_all，顾名思义，就是查询所有符合条件的元素。给它传入一些属性或文本，就可以得到符合条件的元素，它的功能十分强大。

find_all(name , attrs , recursive , text , **kwargs)

他的用法：

html='''

Hello

• Foo
• Bar
• Jay

• Foo
• Bar

'''

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, 'lxml')

print('查询所有ul节点，返回结果是列表类型，长度为2:\n',soup.find_all(name='ul'))

print('每个元素依然都是bs4.element.Tag类型:\n',type(soup.find_all(name='ul')[0]))

#将以上步骤换一种方式，遍历出来

for ul in soup.find_all(name='ul'):

print('输出每个u1:',ul.find_all(name='li'))

#遍历两层

for ul in soup.find_all(name='ul'):

print('输出每个u1:',ul.find_all(name='li'))

for li in ul.find_all(name='li'):

print('输出每个元素：',li.string)

结果：

查询所有ul节点，返回结果是列表类型，长度为2:

[

• Foo
• Bar
• Jay

,

• Foo
• Bar

]

每个元素依然都是bs4.element.Tag类型:

输出每个u1: [

Foo, Bar, Jay]

输出每个u1: [

Foo, Bar]

输出每个u1: [

Foo, Bar, Jay]

输出每个元素： Foo

输出每个元素： Bar

输出每个元素： Jay

输出每个u1: [

Foo, Bar]

输出每个元素： Foo

输出每个元素： Bar

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。