美文网首页python学习python模块
Python学习七十九天:Beautiful Soup模块使用

Python学习七十九天:Beautiful Soup模块使用

作者: 暖A暖 | 来源:发表于2019-05-07 10:49 被阅读13次

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'))

参考:https://www.9xkd.com/user/plan-view.html?id=1742870460

相关文章

网友评论

    本文标题:Python学习七十九天:Beautiful Soup模块使用

    本文链接:https://www.haomeiwen.com/subject/snsdoqtx.html