python beautifulsoup4_【python+beautifulsoup4】Beautifulsoup4

Beautiful soup将复杂HTML文档转换成一个复杂的属性结构，每个节点都是python对象，所有对象可归纳为4种Tag，NavigableString,BeautifulSoup,Comment

1.Tag 就是html中的一个个标签

tag有两个重要的属性，name和attrs

2.NavigableString  字符对象

#打印出标签p中的内容

print (soup.p.string)

3.BeautifulSoup 表示的是一个文档的内容

⼤部分时候,可以把它当作Tag 对象， 是⼀个特殊的 Tag

4.Comment 特殊的NavigableString对象

输出的内容不包括注释符号

一、遍历文档树：

1.直接子节点：.contents和.children属性

.conten

tag 的 .content 属性可以将tag的⼦节点以列表的⽅式输出

Print(soup.head.contents)

# [

the domouse’s story]

.children返回的是list对象

print (soup.head.children)

#

for child in soup.body.children:

print (child)

2.所有子孙节点：.descendants

contents 和 .children 属性仅包含tag的直接⼦节点， .descendants 属性可以对所有tag的⼦孙节点进⾏递归循环， 和 children类似， 我们也需要遍历获取其中的内容。

for child in soup.descendants:

print (child)

通过一个例子来更直观的看出三者之间的区别

获取的节点如下

以下代码分别获取了class=‘catListTag’下直接子节点和子孙子节点的信息

运行结果：

D:\PycharmProjects\ImoocInterface\venv\Scripts\python.exe D:/PycharmProjects/ImoocInterface/soup_test.py

-------------------contents-----------------------

['\n',

我的标签

, '\n',

• Autoit(1)
• beautifulsoup4(1)
• debug(1)
• fiddler(1)
• grid(1)
• jdk(1)
• python logging(1)
• 进程(1)
• 模块(1)
• 线程(1)
• 更多

, '\n']

-------------------children------------------------

我的标签

• Autoit(1)
• beautifulsoup4(1)
• debug(1)
• fiddler(1)
• grid(1)
• jdk(1)
• python logging(1)
• 进程(1)
• 模块(1)
• 线程(1)
• 更多

-------------------descendants-----------------------

我的标签

我的标签

• Autoit(1)
• beautifulsoup4(1)
• debug(1)
• fiddler(1)
• grid(1)
• jdk(1)
• python logging(1)
• 进程(1)
• 模块(1)
• 线程(1)
• 更多

Autoit(1)

Autoit

Autoit

(1)

beautifulsoup4(1)

beautifulsoup4

beautifulsoup4

(1)

debug(1)

debug

debug

.....................

对比三者可发现，contens和children输出为直接子节点的内容即

和

• 标签所包含的内容，而descendant输出为子孙节点的内容不仅有

和

• 所包含的内容，还直接输出了
  • 标签下
  • 标签的内容

    3.节点内容：.string属性

    二、搜索

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

    1) name 参数

    name 参数可以查找所有名字为 name 的tag,字符串对象会被⾃动忽略掉

    A.传字符串

    最简单的过滤器是字符串.在搜索⽅法中传⼊⼀个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容,下⾯的例⼦⽤于查找⽂档中所有的 标签:

    soup.find_all('b')

    # [The Dormouse's story]

    B.传正则表达式

    如果传⼊正则表达式作为参数,Beautiful Soup会通过正则表达式的 match()来匹配内容.下⾯例⼦中找出所有以b开头的标签,这表示

    和 标签都应该被找到

    import re

    for tag in soup.find_all(re.compile("^b")):

    print(tag.name)

    # body

    # b

    C.传列表

    如果传⼊列表参数,Beautiful Soup会将与列表中任⼀元素匹配的内容返回.下⾯代码找到⽂档中所有

    soup.find_all(["a", "b"])

    # [The Dormouse's story,

    #

    ie

    ,

    # Lac

    ie,

    # Ti

    llie]

    2) keyword 参数

    soup.find_all(id_='link2')或soup.find_all(class_='link2')

    注意关键字后的下划线，没有下划线会报错

    # [Lac

    ie]

    3) text 参数

    通过 text 参数可以搜搜⽂档中的字符串内容， 与 name 参数的可选值⼀样,text 参数接受 字符串 , 正则表达式 , 列表

    soup.find_all(text="Elsie")

    # [u'Elsie']

    2.soup.find(name, attrs, recursive, text,**kwargs)

    找到第一个符合的对象

    三、css选择器

    与soup.find_all()类似，查找所有符合的节点并返回list

    (1)通过标签查找 soup.select(‘b’)

    返回所有标签为的节点

    (2)通过类名或ID查找

    Soup.select(‘.classname’)

    Soup.select(‘#id’)

    (3)组合查找

    标签+类Soup.select(‘b .classname’)

    返回b标签中类名为classname的节点

    子标签查找Soup.select(‘head>title’)

    返回父标签为head的title节点

    (4)属性查找

    Soup.select(“a[class=’link’]”)

    标签为a且class为link的节点

    Soup.select(“p a[class=’link’]”)

    返回p标签中a[class=’link’]的节点

    (5)获取内容

    get_text()

    四、爬网页图片

    1、目标网站

    1) 打开一个风景图的网站：https://www.enterdesk.com/

    2) 用 firebug 定位

    3)从下图可以看出，所有的图片都是 img 标签,父节点class属性为egeli_pic_dl

    2、用 find_all 找出所有的标签

    1).find_all(class_="legeli_pic_dl")获取所有的图片对象标签

    2).从标签里面提出 jpg 的 url 地址和 title

    1 from bs4 importBeautifulSoup2 importrequests3 importos4 r = requests.get("https://www.enterdesk.com/")5 #获取页面内容

    6 content =r.content7 #用html.parser解析html

    8 soup = BeautifulSoup(content, 'html.parser')9 #获取所有class为egene_pic_dl，返回tag类,为list

    10 all = soup.find_all(class_='egeli_pic_dl')11 for i inall:12 #获取图片路径和名称

    13 img_url = i.img['src']14 img_name = i.img['title']

    3.保存图片

    1).在当前脚本文件夹下创建一个 img 的子文件夹

    2).导入 os 模块，os.getcwd()这个方法可以获取当前脚本的路径

    3).用 open 打开写入本地电脑的文件路径，命名为：os.getcwd()+"\\img\\"+img_name+'.jpg'(命名重复的话，会被覆盖掉)

    4).requests 里 get 打开图片的 url 地址，content 方法返回的是二进制流文件，可以直接写到本地

    1 for i inall:2 #获取图片路径和名称

    3 img_url = i.img['src']4 img_name = i.img['title']5 #保存图片

    6 with open(os.getcwd()+'\\img\\'+img_name+'.jpg', 'wb') as f:7 f.write(requests.get(img_url).content)

    4.运行结果