bs4的基本适用

from bs4 import BeautifulSoup
html = """
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>bs4 demo</title>
</head>
<body>
<div class='div_demo' id='div'>
    <p><span>Hello</span> world</p>
    <a href="">新闻</a>
</div>
<div> </div>

</body>
"""

soup = BeautifulSoup(html, 'lxml')
# 1.按tag查找
# print(soup.get_text())
# print(soup.title.get_text())

# 2.find
soup.find(name='a')
soup.find(name='body').find(name='a')

# 3.获取元素文本
print(soup.div.p.get_text())
print(soup.div.p.string) # 节点不能再有子节点

# 4.获取属性值
print(soup.div.attrs)  # {'class': ['div_demo'], 'id': 'div'}
print(soup.div.get('id')) # div

# 5.find_all findAll

soup.find_all(name='div', attrs={}, recursive=True, text='', class_='', limit=2)
"""
- name :tag name
- attrs：tag的属性
- recursive：是否递归 默认True
- text：按tag显示的内容查找
- limit：限制找到的结果的个数
"""
soup.find(name='div', attrs={}, recursive=True, text='', class_='')

print(soup.find(name='div', attrs={'class':'div_demo'}))

Beautiful Soup库的引用

Beautiful Soup对应一个HTML/XML文档的全部内容

from bs4 import BeautifulSoup

#两种引用的方法
soup = BeautifulSoup("<html>data</html>","html.parser")
soup2 = BeautifulSoup(open("D://demo.html"),"html.parser")

Beautiful Soup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 lxml
html5lib的解析器	BeautifulSoup(mk,'html5lib')	pip install html5lib

bs4库的prettify()方法

.prettify()为HTML文本<>及其内容增加\n，让页面显示更加友好。
.prettify()可用于标签，方法：<tag>.prettify()

print(soup.a.prettify())

BeautifulSoup类的基本元素

基本元素	s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，<>…</>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

标签树的下行遍历

属性	说明
.contents	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.contents类似，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

同一个父标签下的兄弟节点才是平行节点。

属性	说明
.next_sibling	返回按照HTML文本顺序的下一个平行节点标签
.next_siblings	迭代类型，返回按照HTML文本顺序的后续所有平行节点标签
.previous_sibling	返回按照HTML文本顺序的上一个平行节点标签
.previous_siblings	迭代类型，返回按照HTML文本顺序的前续所有平行节点标签

信息标记与提取方法

信息的标记

标记后的信息可形成信息组织结构，增加了信息维度
标记的结构与信息一样具有重要价值
标记后的信息可用于通信、存储或展示
标记后的信息更利于程序理解和运用

三种标记形式

XML

最早的通用信息标记语言，可扩展性好，但繁琐。
Internet上的信息交互与传递

<img src=“china.jpg” size=“10” />
空元素的缩写形式
<!‐‐ This is a comment, very useful ‐‐>
注释书写形式

<name> … </name>
<name />
<!‐‐ ‐‐>

JSON

信息有类型，适合程序处理(js)，较XML简洁。
移动应用云端和节点的信息通信，无注释。

# 有类型的键值对key:value
“name” : “北京理工大学”

Json实例：

{
  “firstName” : “Tian” ,
  “lastName” : “Song” ,
  “address” : {
              “streetAddr” : “中关村南大街5号” ,
              “city” : “北京市” ,
              “zipcode” : “100081”
              } ,
   “prof” : [ “Computer System” , “Security” ]
}

YAML

信息无类型，文本信息比例最高，可读性好。
各类系统的配置文件，有注释易读。

# 无类型的键值对key:value
“name” : “北京理工大学”
# 缩进表达所属关系
name :
    newName : 北京理工大学
    oldName : 延安自然科学院
# ‐ 表达并列关系
name :
‐北京理工大学
‐延安自然科学院
# | 表达整块数据   # 表示注释
text: |   #学校介绍
北京理工大学创立于1940年，前身是延安自然科学院，是中国共产党创办的第一所理工科大学，毛泽东同志亲
自题写校名，李富春、徐特立、李强等老一辈无产阶级革命家先后担任学校主要领导。学校是新中国成立以来
国家历批次重点建设的高校，首批进入国家“211工程”和“985工程”建设行列；在全球具有广泛影响力的英
国QS“世界大学500强”中，位列入选的中国大陆高校第15位。学校现隶属于工业和信息化部。

key : value
key : #Comment
‐value1
‐value2
key :
    subkey : subvalue

YAML实例：

firstName : Tian
lastName  : Song
address   :
    streetAddr : 中关村南大街5号
    city       : 北京市
    zipcode    : 100081
prof :
‐Computer System
‐Security

基于bs4的HTML内容查找

find_all()方法

<>.find_all(name, attrs, recursive, string, **kwargs)
∙ name : 对标签名称的检索字符串
∙ attrs: 对标签属性值的检索字符串，可标注属性检索
∙ recursive: 是否对子孙全部检索，默认True
∙ string: <>…</>中字符串区域的检索字符串

扩展方法

方法	说明
<>.find()	搜索且只返回一个结果，同.find_all()参数
<>.find_parents()	在先辈节点中搜索，返回列表类型，同.find_all()参数
<>.find_parent()	在先辈节点中返回一个结果，同.find()参数
<>.find_next_siblings()	在后续平行节点中搜索，返回列表类型，同.find_all()参数
<>.find_next_sibling()	在后续平行节点中返回一个结果，同.find()参数
<>.find_previous_siblings()	在前序平行节点中搜索，返回列表类型，同.find_all()参数
<>.find_previous_sibling()	在前序平行节点中返回一个结果，同.find()参数