小白学爬虫（三 Beautiful Soup库）

最新推荐文章于 2021-08-08 22:48:27 发布

爱吃鱼的小丽

最新推荐文章于 2021-08-08 22:48:27 发布

阅读量153

点赞数

分类专栏：爬虫文章标签： python html

本文链接：https://blog.csdn.net/weixin_43299529/article/details/105015347

版权

爬虫专栏收录该内容

12 篇文章 0 订阅

订阅专栏

Beautiful Soup库是解析HTML页面信息标记与提取方法，解析、维护、遍历“标签树”的功能库。

初步使用Beautiful Soup库

from bs4 import BeautifuSoup
#html为指定要解析的网页
soup = BeautifulSoup(<p>html</p>, "html.parser")

运行的结果是HTML页面的标签

Beautiful Soup库解析器

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解析器	BeautifulSoup(mk,“lxml”)	pip install lxml
lxml的XML解析器	BeautifulSoup(mk,“xml”）	pip install lxml
html5lib的解析器	BeautifulSoup(mk,“html5lib”）	pip install html5lib

Beautiful Soup类的基本元素

基本元素	说明
Tag	标签，最基本的组织单元，分为用<>和</>标明开头和结尾
Name	标签的名字，< p>…< /p>的名字是“p”，格式：< tag>.name
Attributes	标签的属性，字典形式组织，格式：< tag>.attrs
NavigableString	标签内非属性字符串，<>…</>中字符串，格式：< tag>.string
Comment	标签内字符串的注释部分，一种特殊的Comment类型

Beautiful Soup类的基本元素使用

利用requests获取页面信息

import requests
r = requests.get("https://python123.io/ws/demo.html")
demo = r.text

利用BeautifulSoup类进行页面解析

from bs4 import BeautifuSoup
soup = BeautifulSoup(demo, "html.parser")
#获取解析的内容
print(soup.prettify())
结果：
<html>
 <head>
  <title>
   This is a python demo page
  </title>
 </head>
 <body>
  <p class="title">
   <b>
    The demo python introduces several python courses.
   </b>
  </p>
  <p class="course">
   Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
   <a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">
    Basic Python
   </a>
   and
   <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">
    Advanced Python
   </a>
   .
  </p>
 </body>
</html>

获取浏览器头部

soup.title
结果为：
<title>This is a python demo page</title>

获取a标签内容

tag = soup.a
tag
结果为：
<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a>

name元素

获取a标签的父标签的名字和父标签的父标签的名字（返回的类型是字符串）

soup.a.parent.name
结果为：
'p'
 soup.a.parent.parent.name
 结果为：
 ‘body’

Attributes元素

标签的属性是字典

获取a标签的属性

soup.a.attrs
结果为：
{'href': 'http://www.icourse163.org/course/BIT-268001', 'class': ['py1'], 'id': 'link1'}

a的class属性

soup.a.attrs['class']
结果为：
['py1']

a的链接属性

soup.a.attrs['href']
结果为：
'http://www.icourse163.org/course/BIT-268001'

标签类型

标签的类型是标签，在bs4中定义为特殊类型

type(soup.a)
结果为：
<class 'bs4.element.Tag'>

字符串信息

soup.a.string
结果为：
'Basic Python'

#获取p标签内容
soup.p
<p class="title"><b>The demo python introduces several python courses.</b></p>
#获取p标签的字符串信息
soup.p.string
'The demo python introduces several python courses.'
#p标签的字符串类型

字符串类型

bs4中的字符串类型定义为NavigableString

type(soup.p.string)
结果：
<class 'bs4.element.NavigableString'>

Comment基础元素
注释类型，以**<!–内容-- >**为注释

newsoup = BeautifulSoup("<b><!--This is a comment--></b><p>This is not a comment</p>","html.parser")
#获取b标签下的字符串
newsoup.b.string
'This is a comment'
#获取b标签内容
newsoup.b
<b><!--This is a comment--></b>
#获取注释类型
type(newsoup.b.string)
<class 'bs4.element.Comment'>
#获取p标签下的字符串
newsoup.p.string
'This is not a comment'
#获取字符串类型
type(newsoup.p.string)
<class 'bs4.element.NavigableString'>

在这里插入图片描述

BeautifulSoup标签树的遍历

在这里插入图片描述
与HTML遍历结构相同，标签树也存在上行、下行和平行遍历

标签树的下行遍历

属性	说明
.contents	子节点的列表，将< tag>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

.contents

soup.head
<head><title>This is a python demo page</title></head>
soup.head.contents
[<title>This is a python demo page</title>]

soup.body.contents
['\n', <p class="title"><b>The demo python introduces several python courses.</b></p>, '\n', <p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a> and <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">Advanced Python</a>.</p>, '\n']

len(soup.body.contents)
5

soup.body.contents[1]
<p class="title"><b>The demo python introduces several python courses.</b></p>

.children

for child in soup.body.children:
	print(child)

.descendants

for child in soup.body.descendants:
	print(child)

标签树的上行遍历

属性	说明
.parent	节点的父亲标签
.parents	杰斯按先辈标签的迭代类型，用于循环遍历先辈节点

soup.title.parent
<head><title>This is a python demo page</title></head>
soup.html.parent
<html><head><title>This is a python demo page</title></head>
<body>
<p class="title"><b>The demo python introduces several python courses.</b></p>
<p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a> and <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">Advanced Python</a>.</p>
</body></html>
 soup.parent

在这里插入图片描述

标签树的平行遍历

平行遍历必须发生在同一个父节点下的各子节点

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文本顺序的谦虚所有平行节点标签

soup.a.next_sibling
' and '
soup.a.next_sibling.next_sibling
<a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">Advanced Python</a>
soup.a.previous_sibling
'Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:\r\n'
soup.a.previous_sibling.previous_sibling

在这里插入图片描述

bs4库的编码

soup = BeautifulSoup("<p>中文</p>","html.parser")
soup.p.string
’中文‘
print(soup.p.prettify())
<p>
中文
</p>

总结：

在这里插入图片描述

format输出

在这里插入图片描述

爱吃鱼的小丽

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
小白学爬虫（三 Beautiful Soup库）

Beautiful Soup库是解析HTML页面信息标记与提取方法，解析、维护、遍历“标签树”的功能库。初步使用Beautiful Soup库from bs4 import BeautifuSoup#html为指定要解析的网页soup = BeautifulSoup(<p>html</p>, "html.parser")运行的结果是HTML页面的标签Beaut...
复制链接

扫一扫