python3 解析html_Python3.x的BeautifulSoup解析html常用函数

Python3.x的BeautifulSoup解析html常用函数

1，初始化：

soup = BeautifulSoup(html) #html为html源代码字符串，type(html) == str

2，用tag获取相应代码块的剖析树：

#当用tag作为搜索条件时，我们获取的包含这个tag块的剖析树：#ooo#这里获取head这个块

head = soup.find('head')#or#head = soup.head#or#head = soup.contents[0].contents[0]

contents属性是一个列表，里面保存了该剖析树的直接儿子，如：

html = soup.contents[0] # ...

head = html.contents[0] #

...

body = html.contents[1] #

...

3，用contents[], parent, nextSibling, previousSibling寻找父子兄弟tag:

beautifulSoup提供了几个简单的方法直接获取当前tag块的父子兄弟。

假设我们已经获得了body这个tag块，我们想要寻找,

, 第一个

, 第二个

这四个tag块：

#body = soup.bodyhtml = body.parent # html是body的父亲

head = body.previousSibling #head和body在同一层，是body的前一个兄弟

p1 = body.contents[0] #p1, p2都是body的儿子，我们用contents[0]取得p1

p2 = p1.nextSibling #p2与p1在同一层，是p1的后一个兄弟, 当然body.content[1]也可得到

print(p1.text)#u'This is paragraphone.'

print(p2.text)#u'This is paragraphtwo.'#注意：1，每个tag的text包括了它以及它子孙的text。2，所有text已经被自动转#为unicode，如果需要，可以自行转码encode(xxx)

4，用find, findParent, findNextSibling, findPreviousSibling寻找祖先或者子孙 tag：

find方法(我理解和findChild是一样的)，就是以当前节点为起始，遍历整个子树，找到后返回。

而这些方法的复数形式，会找到所有符合要求的tag，以list的方式放回。他们的对应关系是：find->findall, findParent->findParents, findNextSibling->findNextSiblings...，如：

print soup.findAll('p')#[

This is paragraph one.

,

This is paragraph two.

]

(1).搜索tag：

find(tagname) #直接搜索名为tagname的tag 如：find('head')

find(list) #搜索在list中的tag，如: find(['head', 'body'])

find(dict) #搜索在dict中的tag，如:find({'head':True, 'body':True})

find(re.compile('')) #搜索符合正则的tag, 如:find(re.compile('^p')) 搜索以p开头的tag

find(lambda) #搜索函数返回结果为true的tag, 如:find(lambda name: if len(name) == 1) 搜索长度为1的tag

find(True) #搜索所有tag

(2)，搜索属性(attrs)：

find(id='xxx') #寻找id属性为xxx的

find(attrs={id=re.compile('xxx'), algin='xxx'}) #寻找id属性符合正则且algin属性为xxx的

find(attrs={id=True, algin=None}) #寻找有id属性但是没有algin属性的

(3)，搜索文字(text):

注意：文字的搜索会导致其他搜索给的值如：tag, attrs都失效。

方法与搜索tag一致；

(4)，recursive, limit：

recursive=False表示只搜索直接儿子，否则搜索整个子树，默认为True。

当使用findAll或者类似返回list的方法时，limit属性用于限制返回的数量，如findAll('p', limit=2)： 返回首先找到的两个tag