安装
pip install BeautifulSoup
安装小试
>>> import requests
>>> r = requests.get("https://www.python123.io/ws/demo.html")
>>> demo = r.text
>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup(demo, "html.parser")
>>> print(soup.prettify())
BeautifulSoup库的基本元素
###BeautifulSoup库的理解
html
文件结构:由一组尖括号构成的标签组织起来,形成的标签树的形式。
<html>
<body>
<b><!--This is a comment--></b><p calss="title">...</p>
</body>
</html>
BeautifulSoup库是解析、遍历、维护“标签树”的功能库。
BeautifulSoup库的引用
from bs4 import BeautifulSoup
##BeautifulSoup库解析器
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 xml |
html5lib的解析器 | BeautifulSoup(mk, "html5lib") | pip install html5lib |
BeautifulSoup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,<p>…</p>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 |
>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup(demo, "html.parser")
>>> print(soup.prettify())
#获取a标签的名字
>>> soup.a.name
'a'
>>> soup.a.parent.name
'p'
>>> soup.a.parent.parent.name
'body'
#获得a标签的属性,是一个字典类型
>>> tag = soup.a
>>> tag.attrs
{'href': 'http://www.icourse163.org/course/BIT-268001', 'class': ['py1'], 'id': 'link1'}
#获得class属性的值
>>> tag.attrs['class']
['py1']
#查看标签的类型
>>> type(tag)
<class 'bs4.element.Tag'>
基于bs4库的HTML内容遍历方法
标签树的下行遍历
属性 | 说明 |
---|---|
.content | 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.content类型,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 |
标签树的上行遍历
属性 | 说明 |
---|---|
.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
属性 | 说明 |
---|---|
.next_sibling | 返回按照HTML文本顺序的下一个平行节点的标签 |
.previous_sibling | 返回按照HTML文本顺序的上一个平行节点的标签 |
.next_siblings | 迭代类型,回返按照HTML文本顺序的后续所有平行节点标签 |
.previous_siblings | 迭代类型,回返按照HTML文本顺序的前续所有平行节点标签 |
基于bs4库的HTML的格式输出
prettify()方法
“友好”的输出HTML文本
>>> print(soup.prettify())
基于bs4库的HTML内容查找方法
.find_all(name, attrs, recuesive, string, **kwargs)
返回一个列表类型,储存查找结果
name
:对标签名称的检索字符串
soup.find_all('a')
attrs
:对标签属性值得检索字符串,可标注属性检索
soup.find_all('p', "course")
soup.find_all(id="link1")
recuesive
:是否对子孙全部搜索,默认为True
string
:<>…</>中字符串区域的检索字符串