Beautiful Soup介绍和使用
BeautifulSoup可以从HTML或XML文件中提取数据。可以处理导航、搜索、修改分析树等。
手工获取html源代码,浏览器右键“查看源代码”
用requests库获得源代码
import requests
url = "https://lizhe.blog.csdn.net/" #个人博客的url
res = request.get(url)
res.text
Beautiful Soup库是解析、遍历、维护“标签树”的功能库。
Beautiful Soup库,也叫beautifulsoup4或 bs4约定引用方式如下,即主要是用BeautifulSoup类。
导入方式:
from bs4 import BeautiflSoup
或
import bs4
安装:pip install bs4
解析器有:python标准库、lxml HTML解析器、lxml XML解析器、html5lib
BeautifulSoup(markup, "html.parser") python标准库 文档容错能力强 速度慢
BeautifulSoup(markup, "lxml") 速度快 文档容错能力强 bs自带
BeautifulSoup(markup, ["lxml", "xml"]) 速度快 支持XML解析器
BeautifulSoup(markup, "html5lib") 最好的容错性,以浏览器的方式解析文档,生成HTML5格式的文档 速度慢 不依赖外部扩展
BeautifulSoup对应一个HTML/XML文档的全部内容
from bs4 import BeautifulSoup
soup = BeautifulSoup("<html>你好<p>haha</p></html>", "html.parser")
soup2 = BeautifulSoup(open("hello.html"), "html.parser")
BeautifulSoup类的基本元素
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
Attribures 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
标签的格式
HTML基本格式
标签遍历
标签树的下行遍历:
for child in soup.body.children:
print(child) #遍历儿子节点
for child in soup.body.descendants:
print(child) #遍历子孙节点
属性
.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
BeautifulSoup类型是标签树的根节点
标签树的上行遍历:
soup = BeautifulSoup(demo ,"html.parser")
for parent in soup.a.parent:
if parent is None:
print(parent)
else:
print(parent.name)
遍历所有先辈节点,包括soup本身,所以要区别判断
属性
.parent 节点的父亲标签
.parents 节点先辈标签的迭代类型,用于循环遍历先辈节点
标签树的平行遍历:
for sibling in soup.a.next_sibling: #遍历后续节点
print(sibling)
for sibling in soup.a.previous_sibling: #遍历前节点
print(sibling)
属性
.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"前续"所有平行节点标签
平行遍历发生在同一个父节点下的各节点间。
bs4的HTML格式输出
prettify()函数,让html格式更加直观可看。
为HTML文本<>及其内容增加更加’\n’
可用于标签,方法:<tag>.prettify()
r = open("hello.html") #加载的本地html文件路径
soup2 = BeautifulSoup(r, "html.parser")
print(soup2.prettify())
bs4库将任何HTML输入都变成utf‐8编码
from bs4 import BeautifulSoup
soup = BeautifulSoup("<html>你好</html>", "html.parser")
print(soup.html.string)
输出