Beautiful Soup库,也叫beautifulsoup4或bs4
Beautiful Soup提供一些简单的、python式的函数用来处理导航、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,Beautiful Soup就不能自动识别编码方式了。然后,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。
Beautiful Soup库
解析器 | 使用方法 | 安装条件 |
---|---|---|
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,最基本的信息组织单元,分别用
<>
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
|
基于bs4库的HTML内容遍历方法
-
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
|
-
标签树的上行遍历:
属性 | 说明 |
.parent | 节点的父亲节点 |
.parents | 节点先辈标签的迭代类型,用于循环遍历先辈的节点 |
-
标签树的平行遍历:
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结点标签
|
.previous_siblings
|
迭代类型,返回按照
HTML
文本顺序的前续所有平行节点标签
|
基于bs4库的HTML内容查找方法
<>.find_all(name, attrs, recursive, string, **kwargs) 返回一个列表类型,存储查找的结果
name
:对标签名称的检索字符串
soup.find_all(['a','b'])
attrs
:对标签属性值的检索字符串,可标注属性检索
soup.find_all('p', 'course') soup.find_all(id='link1')
recursive
:是否对子孙全部检索,默认
True soup.find_all('a', recursive=False)
string
:
<>...</>
中字符串区域的检索字符串
soup.find_all(string = re.compile('python'))
<tag>(...)
等价于
<tag>.find_all(...) soup(...)
等价于
soup.find_all(...)
方法
| 说明 |
<>.find()
|
搜索且只返回一个结果,字符串类型,同
.find_all()
参数
|
<>.find_parents()
|
在先辈节点中搜索,返回列表类型,同
.find_all()
参数
|
<>.find_parent()
|
在先辈节点中返回一个结果,字符串类型,同
.find_all()
参数
|
<>.find_next_siblings()
|
在后续平行节点中搜索,返回列表类型,同
.find_all()
参数
|
<>.find_next_sibling()
|
在后续平行节点中返回一个结果,字符串类型,同
.find_all()
参数
|
<>.find_previous_siblings()
|
在前序平行节点中搜索,返回列表类型,同
.find_all()
参数
|
<>.find_previous_sibling()
|
在前序平行节点中返回一个结果,字符串类型,同
.find_all()
参数
|