BeautifulSoup 里的 find() 和 findAll() 可能是你最常用的两个函数。借助它们,你可以通
过标签的不同属性轻松地过滤 HTML 页面,查找需要的标签组或单个标签。这两个函数非常相似,BeautifulSoup 文档里两者的定义就是这样:
findAll(tag, attributes, recursive, text, limit, keywords)
find(tag, attributes, recursive, text, keywords)
很可能你会发现,自己在 95% 的时间里都只需要使用前两个参数:tag 和 attributes。但
是,我们还是应该仔细地观察所有的参数。
标签参数 tag 前面已经介绍过——你可以传一个标签的名称或多个标签名称组成的 Python
列表做标签参数。例如,下面的代码将返回一个包含 HTML 文档中所有标题标签的列表:1
.findAll({“h1”,“h2”,“h3”,“h4”,“h5”,“h6”})
属性参数 attributes 是用一个 Python 字典封装一个标签的若干属性和对应的属性值。例
如,下面这个函数会返回 HTML 文档里红色与绿色两种颜色的 span 标签:
.findAll(“span”, {“class”:{“green”, “red”}})
递归参数 recursive 是一个布尔变量。你想抓取 HTML 文档标签结构里多少层的信息?如果
recursive 设置为 True,findAll 就会根据你的要求去查找标签参数的所有子标签,以及子
标签的子标签。如果 recursive 设置为 False,findAll 就只查找文档的一级标签。findAll
默认是支持递归查找的(recursive 默认值是 True);一般情况下这个参数不需要设置,除
非你真正了解自己需要哪些信息,而且抓取速度非常重要,那时你可以设置递归参数。
文本参数 text 有点不同,它是用标签的文本内容去匹配,而不是用标签的属性。假如我们
想查找前面网页中包含“the prince”内容的标签数量,我们可以把之前的 findAll 方法换
成下面的代码:
nameList = bsObj.findAll(text=“the prince”)
print(len(nameList))
输出结果为“7”。
范围限制参数 limit,显然只用于 findAll 方法。find 其实等价于 findAll 的 limit 等于
1 时的情形。如果你只对网页中获取的前 x 项结果感兴趣,就可以设置它。但是要注意,
这个参数设置之后,获得的前几项结果是按照网页上的顺序排序的,未必是你想要的那
前几项。
还有一个关键词参数 keyword,可以让你选择那些具有指定属性的标签。例如:
allText = bsObj.findAll(id=“text”)
print(allText[0].get_text())
BeautifulSoup的find()和findAll()
最新推荐文章于 2024-04-15 21:58:50 发布