python——爬虫学习——Beautiful Soup库的使用-(2)
Beautiful Soup库
执行pip install beautifulsoup4安装Beautiful Soup库
Beautiful Soup库的简介
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库是解析、遍历、维护“标签树”的功能库。
Beautiful Soup自动将输入文档转换为Unicode编码,输出文档转换为utf-8编码。
Beautiful Soup库的引用
from bs4 import BeautifulSoupimport bs4
主要是用BeautifulSoup类
Beautiful Soup库的解析器
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
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 |
不指定解析器,Beautiful Soup会选择最合适的解析器来解析这段文档,如果手动指定解析器那么Beautiful Soup会选择指定的解析器来解析文档
from bs4 import BeautifulSoupsoup1 = BeautifulSoup(open("E://index.html"),"html.parser")soup2 = BeautifulSoup("<html>data</html>","lxml")soup2 = BeautifulSoup("<html>data</html>")
Beautiful Soup库的对象
Tag , NavigableString , BeautifulSoup , Comment
对象 | 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 |
NavigableString | 其实就是python的str对象的继承子类,实际上没区别 |
BeautifulSoup | 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 |
Comment | 内容是文档的注释部分 |
Tag
Tag的属性:
Name:
标签的名字,
…
的名字是’p’,格式:.name。
如果改变了tag的name,那将影响所有通过当前Beautiful Soup对象生成的HTML文档
>>> r=requests.get("http://python123.io/ws/demo.html")
>>> demo=r.text
>>> soup=BeautifulSoup(demo,'html.parser')
>>> soup.a.name
u'a'
>>> soup.a.name='aaa'
>>> soup.aaa.name
'aaa'
Attributes:
Attributes 标签的属性,字典形式组织,格式:.attrs。
>>> r=requests.get("http://python123.io/ws/demo.html")
>>> demo=r.text
>>> soup=BeautifulSoup(demo,'html.parser')
>>> tag=soup.a
>>> tag.attrs
{u'href': u'http://www.icourse163.org/course/BIT-268001', u'class': [u'py1'], u'id': u'link1'}
>>> tag.attrs['class']
[u'py1']
>>> tag.attrs['href']
u'http://www.icourse163.org/course/BIT-268001'
>>> type(tag.attrs)
<type 'dict'>
>>> type(tag)
<class 'bs4.element.Tag'>
Tag的操作:
tag属性的操作办法和字典一样
tag=soup.a
#print tag
print tag['class']
print tag['id']
print tag['href']#tag属性支持添加、删除、修改等,tag属性操作和dict一样
tag['class']='xiaodeng'
tag['id']=123#删除
del tag['class']
print tag.get('calss')
NavigableString
字符串常被包含在tag内.Beautiful Soup用
NavigableString 类来包装tag中的非属性字符串,<>…
>>> soup.a
<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a>
>>> soup.a.string
u'Basic Python'
>>> soup.p
<p class="title"><b>The demo python introduces several python courses.</b></p>
>>> soup.p.string
u'The demo python introduces several python courses.'
>>> type(soup.p.string)
<class 'bs4.element.NavigableString'>
BeautifulSoup
BeautifulSoup 对象并不是真正的HTML或XML的tag,所以它没有name和attribute属性.但有时查看它的 .name 属性是很方便的,所以 BeautifulSoup 对象包含了一个值为 “[document]” 的特殊属性 .name
>>> soup.name
u'[document]'
Comment
文档的注释部分,Comment 对象是一个特殊类型的 NavigableString 对象
>>> nsoup=BeautifulSoup("<b><!--This is a comment--></b><p>This is not a comment</p>","html.parser")>>> nsoup.b.string
u'This is a comment'
>>> type(nsoup.b.string)
<class 'bs4.element.Comment'>
>>> nsoup.p.string
u'This is not a comment'
>>> type(nsoup.p.string)
<class 'bs4.element.NavigableString'>
Beautiful Soup库人性化显示方法
prettify()
>>> soup = BeautifulSoup(demo,"html.parser")
>>> soup.p.next_sibling.next_sibling
<p class="course">Python is a wonderful general-purpose programming language. You can learn Python f
rom novice to professional by tracking the following courses:\r\n<a class="py1" href="http://www.ico
urse163.org/course/BIT-268001" id="link1">Basic Python</a> and <a class="py2" href="http://www.icour
se163.org/course/BIT-1001870001" id="link2">Advanced Python</a>.</p>
>>> print(soup.p.next_sibling.next_sibling.prettify())
<p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to pro
fessional by tracking the following courses:<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a>and<a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">Advanced Python</a>.
</p>>>>
基于Beautiful Soup库的HTML内容遍历
HTML基本格式
graph TD
html-->head
html-->body
head-->title
body-->p1
body-->p2
p1-->b
p2-->a1
p2-->a2
<>…
标签树的下行遍历
graph LR
html-->head
head-->title
属性 | 说明 |
---|---|
.contents | 子节点的列表,将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 |
>>> soup=BeautifulSoup(demo,"html.parser")
>>> soup.head
<head><title>This is a python demo page</title></head>
>>> soup.head.contents
[<title>This is a python demo page</title>]
>>> soup.body.contents
[u'\n', <p class="title"><b>The demo python introduces several python courses.</b></p>, u'\n', <p cl
ass="course">Python is a wonderful general-purpose programming language. You can learn Python from n
ovice to professional by tracking the following courses:\r\n<a class="py1" href="http://www.icourse1
63.org/course/BIT-268001" id="link1">Basic Python</a> and <a class="py2" href="http://www.icourse163
.org/course/BIT-1001870001" id="link2">Advanced Python</a>.</p>, u'\n']
>>> len(soup.head.contents)
1
>>> len(soup.body.contents)
5
>>> soup.body.contents[1]
<p class="title"><b>The demo python introduces several python courses.</b></p>
遍历儿子节点
>>> for child in soup.body.children:
... print(child)
遍历子孙节点
>>> for child in soup.body,descendants:
... print(child)
标签树的上行遍历
graph LR
b-->p1
p1-->body
body-->html
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 |
遍历所有先辈节点,包括soup本身
>>> soup = BeautifulSoup(demo,"html.parser")
>>> for parent in soup.a.parents:
... if parent is None:
... print(parent)
... else:
... print(parent.name)
...
p
body
html
[document]
标签树的平行遍历
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 |
.previous_sibling | 返回按照HTML文本顺序的上一个平行节点标签 |
.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_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 |
graph LR
p1-->p2
a1-->a2
平行遍历后续节点
>>> for sibling in soup.a.next_sibling:
... print(sibling)
...a
n
d
平行遍历前续节点
>>>for sibling in soup.a.previous_sibling:
...print(sibling)
参考文档
Beautiful Soup 4.2.0 文档
Beautiful Soup 4.4.0 文档
python——爬虫学习——Beautiful Soup库的使用-(2)相关推荐
- 【Python爬虫】Beautiful Soup库入门
BeautifulSoup库的安装 安装 pip install beautifulsoup4 测试是否安装成功 Python 3.8.3 (tags/v3.8.3:6f8c832, May 13 2 ...
- python爬虫之Beautiful Soup库,基本使用以及提取页面信息
一.Beautiful Soup简介 爬虫正则表达式参考:Python 爬虫正则表达式和re库 在爬虫过程中,可以利用正则表达式去提取信息,但是有些人觉得比较麻烦.因为花大量时间分析正则表达式.这时候 ...
- python爬虫bs4库_04 Python爬虫之Beautiful Soup库
Beautiful Soup库的安装 Win平台: 以管理员身份运行 cmd 执行 pip install beautifulsoup4 Beautiful Soup库的安装小测 首先,获取网页源码保 ...
- Python中的Beautiful Soup库(笔记)
介绍 BeautifulSoup是一种可以从html和xml中快速提取内容的python库,共有四种类型,对于爬虫解析来说,主要用其中的遍历文档树和搜索文档树.BeautifulSoup最主要的功能是 ...
- Python 爬虫之 Beautiful Soup 模块使用指南
版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明. 本文链接:https://blog.csdn.net/bruce_6/article/deta ...
- Python爬虫之Beautiful soup模块
1.Beautiful soup与Xpath对比 相同点:用来解析HTML和XML,并从中提取数据 独有的特点: API简单,功能强大 支持多种解析器 自动实现编码的转换 2.Beautiful so ...
- 以视频爬取实例讲解Python爬虫神器Beautiful Soup用法
1.安装BeautifulSoup4 easy_install安装方式,easy_install需要提前安装 1 easy_install beautifulsoup4 pip安装方式,pip也需要提 ...
- Python 爬虫利器 Beautiful Soup 4 之文档树的搜索
前面两篇介绍的是 Beautiful Soup 4 的基本对象类型和文档树的遍历, 本篇介绍 Beautiful Soup 4 的文档搜索 搜索文档树主要使用两个方法 find() 和 find_al ...
- python爬虫学习之Soup模块
前言 就像我之前提到那样,使用正则来匹配获取是属麻烦,并且规则太多,下面结束一下python下面的一个模块Beautiful Soup来从网页抓取数据. 官网: 文档:http://beautiful ...
最新文章
- HDLBits 系列(18) BCD码计数器的设计
- Redkale 技术详解 03 -- Convert高性能序列化
- 在计算机系统中使用防病毒软件的作用,防病毒软件的作用是 江苏省网络与信息安全技能竞赛题库(5)...
- 【示例】Lucene查询索引库编程步骤
- VS2017简单用法
- 1055 - Expression #1 of SELECT list is not in GROUP BY clause and contains解决
- 两个一元多项式求和(新)(C语言)
- vs2010调用python的方法
- 如何防范短信接口被恶意攻击
- 趣味概率问题:脑洞蒙特卡洛模型,来招聘!!!
- Linux 命令tar
- Latex自由设置虚线的作用区间及间距
- 基于Proteus学习单片机系列(九)——DA转换及其应用--TLC5615
- CGMB 奔驰钥匙积分 以及 奔驰怪兽详细功能介绍 奔驰调表 奔驰擦空变数箱电脑等等
- php xcat createadmin,[BUG]Unable to load class: \App\Command\createAdmin
- HTML 编码规范之布尔型属性
- 线性代数_4、行列式按行展开,异乘变零,拉普拉斯定理
- 表格布局管理器TableLayout
- SD 卡驱动程序分析
- Flink使用二次聚合实现TopN计算