- Task02:bs4、xpath和正则表达式
0.前言
小咸鱼又来打卡啦~
今天主要从两个方面展开我的学习记录。- >见大标题
1.BeautifulSoup
名叫美丽汤,是一个库,继requests之后的第二个库。
什么作用呢,大概意思是说,它可以使得无序的html源码变得有序起来,比较有层次感。
官方:
Beautiful Soup:解析HTML页面信息标记与提取方法
首先安装也比较简单,pip install beautifulsoup4即可。
第二步是导入:from bs4 import BeautifulSoup
第三步,创建 Beautiful Soup对象soup=BeautifulSoup(html,‘html.parser’)
其中,'html.parser’是一个常用的解析器。‘html’是我们获取的内容
Beautiful Soup库四种解析器:
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 |
2.正则表达式
正则表达式:regular expression regex RE
正则表达式是用来简洁表达一组字符串的表达式
正则表达式在文本处理中十分常用
- 表达文本类型的特征(病毒、入侵等)
- 同时查找或替换一组字符串
- 匹配字符串的全部或部分
正则表达式的使用:
编译:将符合正则表达式语法的字符串转换成正则式表达特征