一、bs4
1、简介
Beautiful Soup是一个HTML/XML 的解析器,主要用于解析和提取 HTML/XML 数据
2、相关概念
1)beautifulsoup4:python库(可用pip命令进行安装)
2)BeautifulSoup:一个类,由安装的库进行导入
html = 标签树 = BeautifulSoup类
所以可以对HTML文件采用类的方法进行解析
import requests
from bs4 import BeautifulSoup
res = requests.get('https://python123.io/ws/demo.html')
demo = res.text #这里不能缺少text
soup = BeautifulSoup(demo,'html.parser')
print(soup.prettify())
3)实例:soup = BeautifulSoup(html,‘html.parser’)
3、BeautifulSoup类的基本元素:
1)Tag 标签,最基本的信息组织单元,分别用<>和</>标明开头和结尾;
2)Name 标签的名字,<p>…</p>
的名字是p
,格式:<tag>.name
;
3)Attributes 标签的属性,字典形式组织,格式:<tag>.attrs
4)NavigableString 标签内非属性字符串,<>…</>中字符串,格式:<tag>.string
;
5)Comment 标签内字符串的注释部分,在html文本中有!号,一种特殊的Comment类型;
注:4)和5)都可以通过<tag>.string
调出,但两者类型不一样,可以通过type()
进行区别
相关代码:
import requests
from bs4 import BeautifulSoup
res = requests.get('https://python123.io/ws/demo.html')
demo = res.text #这里不能缺少text
soup = BeautifulSoup(demo,'html.parser')
soup.title
soup.a #获取a标签,返回:<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a>
soup.a.name #获取a标签的名称,返回 'a'
tag = soup.a
tag.attrs #获取标签的属性,返回 {'href': 'http://www.icourse163.org/course/BIT-268001', 'class': ['py1'], 'id': 'link1'}
tag.attrs['class'] #标签属性内容的提取,返回 ['py1']
tag.attrs['href']
type(tag.attrs) #返回dict
type(tag) #返回 bs4.element.Tag
tag.string #返回 'Basic Python'
4、标签树的遍历
1)标签树的下行遍历
[外链图片转存中…(img-4XkltSQd-1587650690572)]