python利器怎么用-Python爬虫利器二之Beautiful Soup的用法
The Dormouse's story
Once upon a time there were three little sisters; and their names were
,
Lacie and
Tillie;
and they lived at the bottom of a well.
...
"""
创建 beautifulsoup 对象
1
soup = BeautifulSoup(html)
另外，我们还可以用本地 HTML 文件来创建对象，例如
1
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
1
print soup.prettify()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
The Dormouse's story
The Dormouse's story
Once upon a time there were three little sisters; and their names were
,
Lacie
and
Tillie
;
and they lived at the bottom of a well.
...
以上便是输出结果，格式化打印出了它的内容，这个函数经常用到，小伙伴们要记好咯。
5. 四大对象种类
Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种:
Tag
NavigableString
BeautifulSoup
Comment
下面我们进行一一介绍
（1）Tag
Tag 是什么？通俗点讲就是 HTML 中的一个个标签，例如
1
The Dormouse's story
1
Elsie
上面的 title a 等等 HTML 标签加上里面包括的内容就是 Tag，下面我们来感受一下怎样用 Beautiful Soup 来方便地获取 Tags 下面每一段代码中注释部分即为运行结果
1
2
print soup.title
#
The Dormouse's story
1
2
print soup.head
#
The Dormouse's story
1
2
print soup.a
#
1
2
print soup.p
#
The Dormouse's story
我们可以利用 soup加标签名轻松地获取这些标签的内容，是不是感觉比正则表达式方便多了？不过有一点是，它查找的是在所有内容中的第一个符合要求的标签，如果要查询所有的标签，我们在后面进行介绍。 我们可以验证一下这些对象的类型
1
2
print type(soup.a)
#
对于 Tag，它有两个重要的属性，是 name 和 attrs，下面我们分别来感受一下 name
1
2
3
4
print soup.name
print soup.head.name
#[document]
#head
soup 对象本身比较特殊，它的 name 即为 [document]，对于其他内部标签，输出的值便为标签本身的名称。 attrs
1
2
print soup.p.attrs
#{'class': ['title'], 'name': 'dromouse'}
在这里，我们把 p 标签的所有属性打印输出了出来，得到的类型是一个字典。 如果我们想要单独获取某个属性，可以这样，例如我们获取它的 class 叫什么
1
2
print soup.p['class']
#['title']
还可以这样，利用get方法，传入属性的名称，二者是等价的
1
2
print soup.p.get('class')
#['title']
我们可以对这些属性和内容等等进行修改，例如
1
2
3
soup.p['class']="newClass"
print soup.p
#
The Dormouse's story
还可以对这个属性进行删除，例如
1
2
3
del soup.p['class']
print soup.p
#
The Dormouse's story
不过，对于修改删除的操作，不是我们的主要用途，在此不做详细介绍了，如果有需要，请查看前面提供的官方文档
（2）NavigableString
既然我们已经得到了标签的内容，那么问题来了，我们要想获取标签内部的文字怎么办呢？很简单，用 .string 即可，例如
1
2
print soup.p.string
#The Dormouse's story
这样我们就轻松获取到了标签里面的内容，想想如果用正则表达式要多麻烦。它的类型是一个 NavigableString，翻译过来叫 可以遍历的字符串，不过我们最好还是称它英文名字吧。 来检查一下它的类型
1
2
print type(soup.p.string)
#
（3）BeautifulSoup
BeautifulSoup 对象表示的是一个文档的全部内容.大部分时候,可以把它当作 Tag 对象，是一个特殊的 Tag，我们可以分别获取它的类型，名称，以及属性来感受一下
1
2
3
4
5
6
print type(soup.name)
#
print soup.name
# [document]
print soup.attrs
#{} 空字典
（4）Comment
Comment 对象是一个特殊类型的 NavigableString 对象，其实输出的内容仍然不包括注释符号，但是如果不好好处理它，可能会对我们的文本处理造成意想不到的麻烦。 我们找一个带注释的标签
1
2
3
print soup.a
print soup.a.string
print type(soup.a.string)
运行结果如下
1
2
3
Elsie
a 标签里的内容实际上是注释，但是如果我们利用 .string 来输出它的内容，我们发现它已经把注释符号去掉了，所以这可能会给我们带来不必要的麻烦。 另外我们打印输出下它的类型，发现它是一个 Comment 类型，所以，我们在使用前最好做一下判断，判断代码如下
1
2
if type(soup.a.string)==bs4.element.Comment:
print soup.a.string
上面的代码中，我们首先判断了它的类型，是否为 Comment 类型，然后再进行其他操作，如打印输出。
6. 遍历文档树
（1）直接子节点
要点：.contents .children 属性
.contents tag 的 .content 属性可以将tag的子节点以列表的方式输出
1
2
print soup.head.contents
#[
The Dormouse's story]
输出方式为列表，我们可以用列表索引来获取它的某一个元素
1
2
print soup.head.contents[0]
#
The Dormouse's story
.children 它返回的不是一个 list，不过我们可以通过遍历获取所有子节点。 我们打印输出 .children 看一下，可以发现它是一个 list 生成器对象
1
2
print soup.head.children
#
我们怎样获得里面的内容呢？很简单，遍历一下就好了，代码及结果如下
1
2
for child in soup.body.children:
print child
1
2
3
4
5
6
7
8
9
10
The Dormouse's story
Once upon a time there were three little sisters; and their names were
,
Lacie and
Tillie;
and they lived at the bottom of a well.
...
（2）所有子孙节点
知识点：.descendants 属性
.descendants .contents 和 .children 属性仅包含tag的直接子节点，.descendants 属性可以对所有tag的子孙节点进行递归循环，和 children类似，我们也需要遍历获取其中的内容。
1
2
for child in soup.descendants:
print child
运行结果如下，可以发现，所有的节点都被打印出来了，先生最外层的 HTML标签，其次从 head 标签一个个剥离，以此类推。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
The Dormouse's story
The Dormouse's story
Once upon a time there were three little sisters; and their names were
,
Lacie and
Tillie;
and they lived at the bottom of a well.
...
The Dormouse's story The Dormouse's story
The Dormouse's story
The Dormouse's story
Once upon a time there were three little sisters; and their names were
,
Lacie and
Tillie;
and they lived at the bottom of a well.
...
python利器怎么用-Python爬虫利器二之Beautiful Soup的用法相关推荐
- Python 爬虫利器二之 Beautiful Soup 的用法
上一节我们介绍了正则表达式,它的内容其实还是蛮多的,如果一个正则匹配稍有差池,那可能程序就处在永久的循环之中,而且有的小伙伴们也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 B ...
- python爬虫select用法_Python爬虫利器二之Beautiful Soup的用法
1. Beautiful Soup的简介 简单来说,Beautiful Soup是python的一个库,最主要的功能是从网页抓取数据.官方解释如下: Beautiful Soup提供一些简单的.pyt ...
- Python爬虫利器二之Beautiful Soup的用法
如果一个正则匹配稍有差池,那可能程序就处在永久的循环之中,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HTML或XML标签中的内容. 1. Beaut ...
- python soup attrs_python爬虫（7）--Beautiful Soup的用法
1.Beautiful Soup简介 简单来说,Beautiful Soup是python的一个库,最主要的功能是从网页抓取数据. Beautiful Soup提供一些简单的.python式的函数用来 ...
- Python爬虫入门（8）：Beautiful Soup的用法
Python爬虫入门(1):综述 Python爬虫入门(2):爬虫基础了解 Python爬虫入门(3):Urllib库的基本使用 Python爬虫入门(4):Urllib库的高级用法 Python爬虫 ...
- Python网络爬虫：基础知识Beautiful Soup
一.Beautiful Soup简介 网络数据挖掘指的是从网站中获取数据的过程,数据挖掘技术可以让我们从网站世界中收集大量有价值的数据. Beautiful Soup是一个Python库,可以从HTM ...
- JB的Python之旅-爬虫篇--urllib和Beautiful Soup
啃面包是辛苦的,那就开始学习爬虫吧,而学习爬虫的初衷很简单,爬图爬图,这就是学习的动力~ 1.爬虫信息了解 1)爬虫的定义: 先了解,什么叫爬虫,上度娘搜了一番,解释如下: 网络爬虫(又被称为网页蜘蛛 ...
- Python爬虫（三）Beautiful Soup 实战，爬取前程无忧网站
Beautiful Soup介绍 Beautiful Soup提供一些简单的.python式的函数用来处理导航.搜索.修改分析树等功能. Beautiful Soup自动将输入文档转换为Unicode ...
- python中beautifulsoup_面向新手解析python Beautiful Soup基本用法
Beautiful Soup就是Python的一个HTML或XML的解析库,可以用它来方便地从网页中提取数据.它有如下三个特点: Beautiful Soup提供一些简单的.Python式的函数来处理 ...
最新文章
- Go 知识点（17）— go 工具链 go test 使用
- [模拟]纺车的轮子 Spinning Wheels
- Python 常用代码片段
- 成功解决AttributeError: module 'tensorflow' has no attribute 'scalar_summary'
- 【python】动态调用函数名
- 计算机原理寄存器基础知识,微机原理——基础知识及计算机基本组成
- hibernate一对多映射实现
- python2中可以使用print()函数吗_Python3中的 print 函数有哪些用法？
- 51NOD 1181 质数中的质数（质数筛法）
- Illustrator 教程，如何在 Illustrator 中添加一行文字？
- Atitit 人员级别评定法 目录 1.1. 十级评定法1--10 vs 年级评定法 1 1.2. 工龄评定 职级 岗位级别 1 2. 修订系数 学历*授课+绩效 1 3. 计算方法 1
- 记录一个好用的压缩软件 HandBrake
- 中断系统c语言程序,51单片机中断系统程序实例 （STC89C52RC)
- WPF开发之解决程序调用自定义dll库在部分win7电脑上无法运行的情况
- 为什么使用用友盟的摇一摇截屏功能，截出来的地图图片是黑屏的，渴求大师解答，感激不尽
- HAIKUO-SOFT 作品推荐 四叶草 よつのは 攻略
- More Grounded Image Captioning by Distilling Image-Text Matching Model
- centos7 80端口被占用导致nginx或httpd无法启用的解决方法
- C# 操作通过word模板合并N个word文档
- 谐振电路 - 01 介绍