- 导入
from bs4 import BeautifulSoup
我们创建一个字符串，后面的例子我们便会用它来演示
- html = """
- <html><head><title>The Dormouse's story</title></head>
- <body>
- <p class="title" name="dromouse"><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"></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>
- """
创建 beautifulsoup 对象
- soup = BeautifulSoup(html)
另外，我们还可以用本地 HTML 文件来创建对象，例如
- soup = BeautifulSoup(open('index.html'))
上面这句代码便是将本地 index.html 文件打开，用它来创建 soup 对象。下面我们来打印一下 soup 对象的内容，格式化输出
- print soup.prettify()
指定编码：当html为其他类型编码（非utf-8和asc ii），比如GB2312的话，则需要指定相应的字符编码，BeautifulSoup才能正确解析。
-
htmlCharset = "GB2312"
-
soup = BeautifulSoup(respHtml, fromEncoding=htmlCharset)
-
!/usr/bin/python
-
-- coding: UTF-8 --
-
from bs4 import BeautifulSoup
-
import re
-
待分析字符串 ：
html_doc = """
<html>
<head>
<title>The Dormouse's story</title>
</head>
<body>
<p class="title aq">
<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>
"""
html字符串创建BeautifulSoup对象 ：
soup = BeautifulSoup(html_doc, 'html.parser', from_encoding='utf-8')
输出第一个 title 标签 ：
print soup.title
输出第一个 title 标签的标签名称 ：
print soup.title.name
输出第一个 title 标签的包含内容 ：
print soup.title.string
输出第一个 title 标签的父标签的标签名称 ：
print soup.title.parent.name
输出第一个 p 标签
print soup.p
输出第一个 p 标签的 class 属性内容 ：
print soup.p['class']
输出第一个 a 标签的 href 属性内容 ：
print soup.a['href']
'''''
soup的属性可以被添加,删除或修改. 再说一次, soup的属性操作方法与字典一样
'''
修改第一个 a 标签的href属性为 http://www.baidu.com/
soup.a['href'] = 'http://www.baidu.com/'
给第一个 a 标签添加 name 属性 :
soup.a['name'] = u'百度'
删除第一个 a 标签的 class 属性为 :
del soup.a['class']
输出第一个 p 标签的所有子节点 :
print soup.p.contents
输出第一个 a 标签 :
print soup.a
输出所有的 a 标签，以列表形式显示 :
print soup.find_all('a')
输出第一个 id 属性等于 link3 的 a 标签 :
print soup.find(id="link3")
获取所有文字内容 :
print(soup.get_text())
输出第一个 a 标签的所有属性信息 :
print soup.a.attrs
for link in soup.find_all('a'):
获取 link 的 href 属性内容
print(link.get('href'))
对soup.p的子节点进行循环输出 :
for child in soup.p.children:
print(child)
正则匹配，名字中带有b的标签 :
for tag in soup.find_all(re.compile("b")):
print(tag.name)
import bs4#导入BeautifulSoup库
Soup = BeautifulSoup(html)#其中html 可以是字符串，也可以是句柄
需要注意的是，BeautifulSoup会自动检测传入文件的编码格式，然后转化为Unicode格式
通过如上两句话，BS自动把文档生成为如上图中的解析树。
网友评论