活动地址:CSDN21天学习挑战赛
一、BeautifulSoup4库
1、介绍
Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间.
2、下载模块
cmd 中 输入 pip install beautifulsoup4
3、导包
form bs4 import BeautifulSoup
二、基本操作
1、读取HTML字符串
from bs4 import BeautifulSoup
html = '''
<div class="panel">
<div class="panel-heading">
<h4>Hello</h4>
</div>
<div class="panel_body">
<ul class="list" id="list-1" name="element">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>
<ul class="list list-small" id="list-2">
<li class="element">Foo</li>
<a href="https://www.baidu.com">百度官网</a>
<li class="element">Bar</li>
</ul>
</div>
</div>
'''
# 创建对象
soup = BeautifulSoup(html, 'lxml')
2、读取HTML文件:
from bs4 import BeautifulSoup
html = '''
<div class="panel">
<div class="panel-heading">
<h4>Hello</h4>
</div>
<div class="panel_body">
<ul class="list" id="list-1" name="element">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>
<ul class="list list-small" id="list-2">
<li class="element">Foo</li>
<a href="https://www.baidu.com">百度官网</a>
<li class="element">Bar</li>
</ul>
</div>
</div>
'''
# 创建对象
soup = BeautifulSoup(html, 'lxml')
3、基本方法
from bs4 import BeautifulSoup
html = '''
<div class="panel">
<div class="panel-heading">
<h4>Hello</h4>
</div>
<div class="panel_body">
<ul class="list" id="list-1" name="element">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>
<ul class="list list-small" id="list-2">
<li class="element">Foo</li>
<a href="https://www.baidu.com">百度官网</a>
<li class="element">Bar</li>
</ul>
</div>
</div>
'''
# 创建对象
soup = BeautifulSoup(html, 'lxml')
# 缩进格式
print(soup.prettify())
# 获取title标签的所有内容
print(soup.title)
# 获取title标签的名称
print(soup.title.name)
# 获取title标签的文本内容
print(soup.title.string)
# 获取head标签的所有内容
print(soup.head)
# 获取第一个div标签中的所有内容
print(soup.div)
# 获取第一个div标签的id的值
print(soup.div["id"])
# 获取第一个a标签中的所有内容
print(soup.a)
# 获取所有的a标签中的所有内容
print(soup.find_all("a"))
# 获取id="u1"
print(soup.find(id="u1"))
# 获取所有的a标签,并遍历打印a标签中的href的值
for item in soup.find_all("a"):
print(item.get("href"))
# 获取所有的a标签,并遍历打印a标签的文本值
for item in soup.find_all("a"):
print(item.get_text())
三、对象种类
(1)Tag:HTML中的标签
soup = BeautifulSoup('<b class="boldest">Extremely bold</b>','lxml')
tag = soup.b
print(tag)
print(type(tag))
结果:
<b class="boldest">Extremely bold</b>
<class 'bs4.element.Tag'>
Tag中属性(最重要的name和attributes)
name:
print(tag.name)
# 输出结果:b
# 如果改变了tag的name,那将影响所有通过当前Beautiful Soup对象生成的HTML文档:
tag.name = "b1"
print(tag)
# 输出结果:<b1 class="boldest">Extremely bold</b1>
attributes:
# 取clas属性
print(tag['class'])
# 直接”点”取属性, 比如: .attrs :
print(tag.attrs)
tag的属性可以被添加、修改和删除:
# 添加 id 属性
tag['id'] = 1
# 修改 class 属性
tag['class'] = 'tl1'
# 删除 class 属性
del tag['class']
(2)NavigableString:用.string获取标签内部文字:
print(soup.b.string)
print(type(soup.b.string))
(3)BeautifulSoup:表示的是一个文档的内容,可以获取它的类型,名称,以及属性:
print(type(soup.name))
# <type 'unicode'>
print(soup.name)
# [document]
print(soup.attrs)
# 文档本身的属性为空
(4)Commengt:是一个特殊类型的NavigableString对象,其输出的内容不包括注释符号:
print(soup.b)
print(soup.b.string)
print(type(soup.b.string))
四、搜索文档树
1、find_all(name, attrs, recursive, text, **kwargs)
(1)name参数:可以查找所有名字为name的tag, 字符串对象会被自动忽略掉
匹配字符串:查找与字符串完整匹配的内容,用于查找文档中所有的<a>标签
a_list = soup.find_all("a")
print(a_list)
匹配正则表达式:如果传入正则表达式作为参数,Beautiful Soup会通过正则表达式的match()来匹配内容
# 返回所有表示<body>和<b>标签
for tag in soup.find_all(re.compile("^b")):
print(tag.name)
匹配列表:如果传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回
# 返回所有所有<p>标签和<a>标签:
soup.find_all(["p", "a"])
(2) kwargs参数
soup.find_all(id='link2')
(3) text参数:通过text参数可以搜搜文档中的字符串内容,与name参数的可选值一样, text 参数接受字符串,正则表达式,列表
# 匹配字符串
soup.find_all(text="a")
# 匹配正则
soup.find_all(text=re.compile("^b"))
# 匹配列表
soup.find_all(text=["p", "a"])