第二章 网络爬虫之提取 3-1 Beautiful Soup库入门

文章截图均来自中国大学mooc Python网络爬虫与信息提取的教程，以上仅作为我的个人学习笔记。

下面是教程链接：https://www.icourse163.org/learn/BIT-1001870001?tid=1450316449#/learn/content?type=detail&id=1214620493&cid=1218397635&replay=true

---

Beautiful Soup（美味汤）库的安装：

• 可以对HTML、XML格式进行解析，并且提取其中的相关信息

BeautifulSoup类：

Beautiful Soup库 解析器：

Beautiful Soup类 基本元素：

标签获取：

标签名字：

标签属性：

标签之间的字符串：

出现注释部分处理方法：

基于bs4库的HTML内容遍历方法:

回顾demo.html:

事实上无论是HTML、XML都是树形格式的：形成了三种遍历方法。

   

• 下行遍历：

可以用for in 的形式遍历

• 上行遍历

• 平行遍历：前提是所有的平行遍历必须发生在同一个父亲节点下的各节点之间

         

遍历小结：

基于bs4库的html格式输出：（如何才能让html更加有好的显示？）

• .prettify方法：会在标签后面加上换行符'/n';可以用print函数将相关信息打印出来：会变得非常清晰

;                 

bs4库的编码：使用国际通用的utf-8（可以识别中文）

单元小结：

• 首先我们要知道bs4库：bs4库是用来解析html、xml文档的功能库
• 使用方法非常简单：from bs4 import BeautifulSoup（注意B、S是大写）、通过相关的解析器对目标文档进行解析
• bs4库提供了5中可以使用的元素

          

• 遍历所有标签树的基本方法（以及各种不同的遍历结果类型）：上行、下行、平行
• 基于bs4库的文档格式输出

展望：

需要进一步了解掌握一些信息提取的方法 。。