1.Beautiful Soup模块的介绍
-
Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库，简单来说，它能将HTML的标签文件解析成树形结构，然后方便地获取到指定标签的对应属性，还可以方便的实现全站点的内容爬取和解析；
-
Beautiful Soup支持Python标准库中的HTML解析器，还支持一些第三方的解析器，如果我们不安装它，则 Python 会使用 Python默认的解析器；
lxml 是python的一个解析库，支持HTML和XML的解析，html5lib解析器能够以浏览器的方式解析，且生成HTML5文档；
pip install beautifulsoup4
pip install html5lib
pip install lxml
2. Beautiful Soup模块解析HTML文档
假如现在有一段不完整的HTML代码，我们现在要使用Beautiful Soup模块来解析这段HTML代码
data = '''
<html><head><title>The Dormouse's story</title></he
<body>
<p class="title"><b id="title">The Dormouse's story</b></p>
<p class="story">Once upon a time there were three
<a href="http://example.com/elsie" class="sister" i
<a href="http://example.com/lacie" class="sister" i
<a href="http://example.com/tillie" class="sister"
and they lived at the bottom of a well.</p>
<p class="story">...</p>
'''
- 首先需要导入BeautifulSoup模块，再实例化BeautifulSoup对象
from bs4 import BeautifulSoup
soup = BeautifulSoup(data,'lxml')
然后通过BeautifulSoup提供的方法就可以拿到HTML的元素、属性、链接、文本等，BeautifulSoup模块可以将不完整的HTML文档，格式化为完整的HTML文档 ，比如我们打印print(soup.prettify())看一下输出什么？
<html>
<head>
<title>
The Dormouse's story
</title>
</head>
<body>
<p class="title">
<b id="title">
The Dormouse's story
</b>
</p>
<p class="story">
Once upon a time there were three
<a a="" and="" at="" bottom="" class="sister" href="http://example.com/elsie" i="" lived="" of="" the="" they="" well.="">
<p class="story">
...
</p>
</a>
</p>
</body>
</html>
- 获取标签，如title标签，a标签等
print('title = {}'.format(soup.title))
# 输出：title = <title>The Dormouse's story</title>
print('a={}'.format(soup.a))
- 获取标签的名称，如title标签，body标签等
print('title_name = {}'.format(soup.title.name))
# 输出：title_name = title
print('body_name = {}'.format(soup.body.name))
# 输出：body_name = body
- 获取标签的内容，如title标签
print('title_string = {}'.format(soup.title.string))
# 输出：title_string = The Dormouse's story
- 如果想要获取某个标签的父标签的名称，可以使用parent，如title标签，可以得到父标签head标签，且会自定补齐不完整的标签；
print('title_pareat_name = {}'.format(soup.title.parent))
# 输出：title_pareat_name = <head><title>The Dormouse's story</title>
</head>
- 获取第一个p标签
print('p = {}'.format(soup.p))
# 输出：p = <p class="title"><b>The Dormouse's story</b></p>
- 获取第一个p标签的class的值，获取第一个a标签的class值
print('p_class = {}'.format(soup.p["class"]))
# 输出：p_class = ['title']
print('a_class = {}'.format(soup.a["class"]))
# 输出：a_class = ['sister']
- 获取所有的标签
# 获取所有的a标签
print('a = {}'.format(soup.find_all('a')))
# 获取所有的p标签
print('p = {}'.format(soup.find_all('p')))
- 获取id为link3的标签
print('a_link = {}'.format(soup.find(id='title')))
# 输出：a_link = <b id="title">The Dormouse's story</b>
3.BeautifulSoup中的对象
- BeautifulSoup对象分为四类，分别是
Tag(获取标签),NavigableString(获取标签内容),BeautifulSoup(根标签),Comment(标签内的所有的文本)；
语法：
-
soup.标签名：获取HTML中的标签； -
soup.标签名.name：获取HTML中标签的名称； -
soup.标签名.attrs：获取标签的所有属性； -
soup.标签名.string：获取HTML中标签的文本内容； -
soup.标签名.parent：获取HTML中标签的父标签； -
prettify()方法：可以将Beautiful Soup的文档树格式化后以Unicode编码输出，每个XML/HTML标签都独占一行；
4.遍历文档
-
contents：获取所有子节点，返回一个列表，可以通过下标取值；
soup = BeautifulSoup(html,"lxml")
# 返回一个列表
print(soup.p.contents)
# 拿到第一个子节点
print(soup.p.contents[0])
-
children：返回子节点的生成器对象；
for tag in soup.p.children:
print(tag)
-
soup.strings：获取所有节点的内容，包括空格；
soup = BeautifulSoup(html,"lxml")
for content in soup.strings:
print(repr(content))
-
soup.stripped_strings：获取所有节点的内容，不包括空格；
soup = BeautifulSoup(html,"lxml")
for tag in soup.stripped_strings:
print(repr(tag))
5.查找标签
-
find_all()：查找所有指定标签名称的子节点（可同时查找多个标签），并判断是否符合过滤器的条件，返回一个列表；
soup = BeautifulSoup(html,"lxml")
print(soup.find_all('a'))
print(soup.find_all(['a','p']))
print(soup.find_all(re.compile('^a')))
-
find()：和find_all()差不多，但是find_all() 方法的返回结果是值包含一个元素的列表，而 find() 方法直接返回结果；
soup = BeautifulSoup(html,"lxml")
print(soup.find('a'))
- 更多关于Beautiful Soup模块的知识可以查看：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html
网友评论