Beautiful Soup 是用 Python 写的一个 HTML/XML 的解析器,它可以很好的处理不规范标记并生成剖析树。通常用来分析爬虫抓取的web文档。对于 不规则的 Html文档,也有很多的补全功能,节省了开发者的时间和精力。 Beautiful Soup 的官方文档齐全,将官方给出的例子实践一遍就能掌握。 一 安装 Beautiful Soup 安装 BeautifulSoup 很简单,下载 BeautifulSoup 源码。解压运行 python setup.py install 即可。 注意到soup相当于一个存储了html的数据结构, 获取 标记对象(Tag) 标记名获取法 ,直接用 soup对象加标记名,返回 tag对象.这种方式,选取唯一标签的时候比较有用。或者根据树的结构去选取,一层层的选择 可以用html的标签如head,body ,title等来获取标签里面的内容,如 print(soup.html) print(soup.body) 搜索方法 搜索提供了两个方法,一个是 find,一个是findAll。这里的两个方法(findAll和 find)仅对Tag对象以及,顶层剖析对象有效,但 NavigableString不可用。也可以用某个str来完成搜索任务:soup.find_all('a') soup.find(id='link3')等 用find得到某个标签,但是不能直接操作标签,然后可以使用get获取标签中的信息 soup = BeautifulSoup(conte) print(soup.prettify()) for url in soup.find_all('img'): print(url.get('src')) 开始时候得到标签 url是 <img height="260" src="http://s1.dwstatic.com/group1/M00/72/8C/6f5fcb184a590b3a996aa9ae94a8ebfd.jpg"/> 使用get之后得到图片的url地址:http://s1.dwstatic.com/group1/M00/72/8C/6f5fcb184a590b3a996aa9ae94a8ebfd.jpg 用 soup.get_text()可以得到html标签中的内容,如 <body> hello world</body>可以得到 hello world 测试安装是否成功。键入 import BeautifulSoup 如果没有异常,即成功安装 目前已经到了beautifulsoup4-4.3.1了
官方给出的例子:注意到在版本4之后,模块名称为bs4 ,import bs4
from bs4 import BeautifulSoup html_doc = """ <html><head><title>The Dormouse's story</title></head> <body> <p class="title"><b>The Dormouse's story</b></p> <p class="story">Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>, <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; and they lived at the bottom of a well.</p> <p class="story">...</p> """ soup = BeautifulSoup(html_doc) print(soup.prettify()) print(soup.head) print(soup.body)