参考：【Python技能树共建】Beautiful Soup_梦想橡皮擦的博客-CSDN博客

Beautiful Soup主要用于将 HTML 标签转换为 Python 对象树，然后让我们从对象树中提取数据。

基础用法

import requests
from bs4 import BeautifulSoupdef ret_html():"""获取HTML元素"""res = requests.get('https://www.crummy.com/software/BeautifulSoup/', timeout=3)return res.textif __name__ == '__main__':html_str = ret_html()soup = BeautifulSoup(html_str, 'lxml')print(soup)

上述输出就是普通的html格式文件，我们可以调用 soup 对象的 soup.prettify() 方法，可以将 HTML 标签进行格式化操作

BeautifulSoup 类的构造函数中传递的两个参数，一个是待解析的字符串，另一个是解析器，官方建议的是 lxml，因其解析速度快。

BeautifulSoup 类可以将 HTML 文本解析成 Python 对象树，而这里面又包括最重要的四种对象，分别是 Tag，NavigableString，BeautifulSoup，Comment 对象

测试文件

<!DOCTYPE html>
<html lang="en">
<head><meta charset="UTF-8"><title>测试</title>
</head>
<body>
<div class="userful"><ul><li class="info">我需要的信息1</li><li class="test">我需要的信息2</li><li class="strange">我需要的信息3</li></ul>
</div><div class="useless"><ul><li class="info">垃圾1</li><li class="info">垃圾2</li></ul></div></body>
</html>

BeautifulSoup 对象

该对象本身就代表整个 HTML 页面，而且实例化该对象的时候，还会自动补齐 HTML 代码。

    html_str = ret_html()soup = BeautifulSoup(html_str, 'lxml')print(type(soup))

Tag 对象

Tag 是标签的意思，Tag 对象就是网页标签，或者叫做网页元素对象，例如获取 bs4 官网的 h1 标签对象，代码如下所示：

 html_str = ret_html()soup = BeautifulSoup(html_str, 'lxml')# print(soup.prettify())print(soup.h1)

输出soup.h1的type，可以看到，它是一个tag对象

既然是 Tag 对象，那就会具备一些特定的属性值

获取标签名称

    print(soup.h1)print(type(soup.h1))print(soup.h1.name)  # 获取标签名称

通过 Tag 对象获取标签的属性值

    print(soup.img)  # 获取网页第一个 img 标签print(soup.img['src'])  # 获取网页元素DOM的属性值

通过 attrs 属性获取标签的所有属性

    print(soup.img)  # 获取网页第一个 img 标签print(soup.img.attrs)  # 获取网页元素的所有属性值，以字典形式返回

print("soup.link",soup.link)
print("soup.link['href']",soup.link['href'])
print("soup.link.attrs",soup.link.attrs)

NavigableString 对象

NavigableString 对象获取的是标签内部的文字内容，例如 p 标签，在下述代码中提取的是 我是橡皮擦

<p>我是橡皮擦</p>

获取该对象也非常容易，使用 Tag 对象的 string 属性即可。

    nav_obj = soup.h1.stringprint(type(nav_obj))

输出结果如下所示

<class 'bs4.element.NavigableString'>

如果目标标签是一个单标签，会获取到 None 数据

除了使用对象的 string 方法外，还可以使用 text 属性和 get_text() 方法来获取标签内容

    print(soup.h1.text)print(soup.p.get_text())print(soup.p.get_text('&'))

其中 text 是获取所有子标签内容的合并字符串，而 get_text() 也是相同的效果，不过使用 get_text() 可以增加一个分隔符，例如上述代码的 & 符号，还可以使用，strip=True 参数去除空格。

print("soup.title.string-------",soup.title.string)
print("type(soup.title.string)------",type(soup.title.string))
print("soup.title.text-----",soup.title.text)
print("soup.title.get_text()-----",soup.title.get_text())

find() 方法和 find_all() 方法

调用 BeautifulSoup 对象和 Tag 对象的 find() 方法，可以在网页中找到指定对象，该方法的语法格式如下：

obj.find(name,attrs,recursive,text,**kws)

方法的返回结果是查找到的第一个元素，如果没查询到，返回 None。
参数说明如下：

name：标签名称；
attrs：标签属性；
recursive：默认搜索所有后代元素；
text：标签内容。

soup = BeautifulSoup(open('test.html', encoding='utf-8'), 'lxml')
print(soup.find('title'))#查找title标签

也可以使用 attrs 参数进行查找

soup = BeautifulSoup(open('test.html', encoding='utf-8'), 'lxml')
print(soup.find(attrs={'class':'info'}))

find() 方法还提供了一些特殊的参数，便于直接查找，例如可以使用 id=xxx，查找属性中包含 id 的标签，可以使用 class_=xxx，查找属性中包含 class 的标签。

print(soup.find(class_='cta'))

与 find() 方法成对出现的是 find_all() 方法，看名称就能知道其返回结果收是全部匹配标签，语法格式如下：

obj.find_all(name,attrs,recursive,text,limit)

limit 参数，它表示最多返回的匹配数量，find() 方法可以看作 limit=1，这样就变得容易理解了。

练习

获取所有p标签文本

获取所有p标签里的文本

# -*- coding: UTF-8 -*-
from bs4 import BeautifulSoupdef fetch_p(html):soup=BeautifulSoup(html,'lxml')p_list=soup.findall('p')results=[p.text for p in p_list]return resultsif __name__ == '__main__':html = '''<html><head><title>这是一个简单的测试页面</title></head><body><p class="item-0">body 元素的内容会显示在浏览器中。</p><p class="item-1">title 元素的内容会显示在浏览器的标题栏中。</p></body></html>'''p_text = fetch_p(html)print(p_text)

获取网页的text

from bs4 import BeautifulSoupdef fetch_text(html):soup=BeautifulSoup(html,'lxml')result=soup.textreturn resultif __name__ == '__main__':html = '''<html><head><title>这是一个简单的测试页面</title></head><body><p class="item-0">body 元素的内容会显示在浏览器中。</p><p class="item-1">title 元素的内容会显示在浏览器的标题栏中。</p></body></html>'''text = fetch_text(html)print(text)

查找网页里所有图片地址

from bs4 import BeautifulSoupdef fetch_imgs(html):soup=BeautifulSoup(html,'html.parser')imges=[tag['src'] for tag in soup.find_all('img')]return imgsdef test():imgs = fetch_imgs('<p><img src="http://example.com"/><img src="http://example.com"/></p>')print(imgs)if __name__ == '__main__':test()

爬虫工具之Beautiful Soup学习相关推荐

Python 网络爬虫笔记5 -- Beautiful Soup库实战
Python 网络爬虫笔记5 – Beautiful Soup库实战 Python 网络爬虫系列笔记是笔者在学习嵩天老师的<Python网络爬虫与信息提取>课程及笔者实践网络爬虫的笔记. ...
Python 网络爬虫笔记3 -- Beautiful Soup库
Python 网络爬虫笔记3 – Beautiful Soup库 Python 网络爬虫系列笔记是笔者在学习嵩天老师的<Python网络爬虫与信息提取>课程及笔者实践网络爬虫的笔记. 课程 ...
html标签补全方法 python,Python Beautiful Soup学习之HTML标签补全功能
Beautiful Soup是一个非常流行的Python模块.该模块可以解析网页,并提供定位内容的便捷接口. 使用下面两个命令安装: pip install beautifulsoup4或者 sudo ...
Python3网络爬虫：使用Beautiful Soup爬取小说
本文是http://blog.csdn.net/c406495762/article/details/71158264的学习笔记作者:Jack-Cui 博主链接:http://blog.csdn.n ...
Python爬虫利器之Beautiful Soup的全世界最强用法五百行文章！
0. 前言爬虫是一个非常有意思的东西,比如自己做的一个网页上面什么数据都没有就可以爬虫别人的然后进行去重数据分析等等在这里因为爬虫涉及到的方面非常多 1. Beautiful Soup的简介 ...
爬虫5_python2_使用 Beautiful Soup 解析数据
使用 Beautiful Soup 解析数据(感谢东哥) 有的小伙伴们对写正则表达式的写法用得不熟练,没关系,我们还有一个更强大的工具,叫Beautiful Soup,有了它我们可以很方便地提取出HT ...
python beautifulsoup_Python爬虫利器：Beautiful Soup的使用（一）
上一次的爬取网易新闻案例,我们使用到了一个解析 HTML 的库:Beautiful Soup.本次跟大家分享一下关于这个库的一些用法. Beautiful Soup 简介: Beautiful Sou ...
【Python爬虫】之 Beautiful Soup
一.Beautiful Soup简介 Beautiful Soup 是基于HTML DOM的,会载入整个文档,解析整个DOM树,因此时间和内存开销都会大很多,所以性能要低于lxml,因为lxml只会局 ...
爬虫入门之Beautiful Soup
Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时 ...

爬虫工具之Beautiful Soup学习