Beautifulsoup模块
2024-06-16 19:20:35
目录
- 一、 Beautifulsoup模块介绍
- 二、 基本使用
- 三、 遍历文档树
- 四、 搜索文档树
- 1、五种过滤器
- 2、CSS选择器
- 五、 修改文档树
- 六、 总结
- 七、 selenium使用
一、 Beautifulsoup模块介绍
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会帮你节省数小时甚至数天的工作时间.你可能在寻找 Beautiful Soup3 的文档,Beautiful Soup 3 目前已经停止开发,官网推荐在现在的项目中使用Beautiful Soup 4, 移植到BS4
#安装 Beautiful Soup
pip install beautifulsoup4#安装解析器
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,其中一个是 lxml .根据操作系统不同,可以选择下列方法来安装lxml:$ apt-get install Python-lxml$ easy_install lxml$ pip install lxml另一个可供选择的解析器是纯Python实现的 html5lib , html5lib的解析方式与浏览器相同,可以选择下列方法来安装html5lib:$ apt-get install Python-html5lib$ easy_install html5lib$ pip install html5lib
下表列出了主要的解析器,以及它们的优缺点,官网推荐使用lxml作为解析器,因为效率更高. 在Python2.7.3之前的版本和Python3中3.2.2之前的版本,必须安装lxml或html5lib, 因为那些Python版本的标准库中内置的HTML解析方法不够稳定.
| 解析器 | 使用方法 | 优势 | 劣势 |
|---|---|---|---|
| Python标准库 | BeautifulSoup(markup, "html.parser") |
|
|
| lxml HTML 解析器 | BeautifulSoup(markup, "lxml") |
|
|
| lxml XML 解析器 |
BeautifulSoup(markup, ["lxml", "xml"]) BeautifulSoup(markup, "xml") |
|
|
| html5lib | BeautifulSoup(markup, "html5lib") |
|
|
中文文档：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html
二、 基本使用
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p><p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p><p class="story">...</p>
"""#基本使用：容错处理,文档的容错能力指的是在html代码不完整的情况下,使用该模块可以识别该错误。使用BeautifulSoup解析上述代码,能够得到一个 BeautifulSoup 的对象,并能按照标准的缩进格式的结构输出
from bs4 import BeautifulSoup
soup=BeautifulSoup(html_doc,'lxml') #具有容错功能
res=soup.prettify() #处理好缩进，结构化显示
print(res)
三、 遍历文档树
遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个
from bs4 import BeautifulSoup
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story <span>lqz</span></b><span>egon</span></p><p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p><p class="story">...</p>
"""
soup=BeautifulSoup(html_doc,'html.parser')# res=soup.prettify() # 美化
# print(res)1、用法
# html=soup.html
# title=soup.html.head.title
# title=soup.title
# print(title)2、获取标签的名称 ---> 标签对象.name
# a=soup.body.a
# a=soup.a.name
# print(a)
# print(soup.body.name)3、获取标签的属性 ---->标签对象['标签名']
# href=soup.body.a['href']
# attrs=soup.body.a.attrs # 所有属性，---》字典
# href=soup.body.a.attrs['href']
# print(attrs['class'])# c=soup.p.attrs['class']
# print(c)4、获取标签的内容# res=soup.b.text # 拿到当前标签子子孙所有的text
# res=soup.p.text# res=soup.p.string # 当前标签有且只有一个文本内容才能拿出来
# res=soup.b.string # 当前标签有且只有一个文本内容才能拿出来# res=soup.p.strings # 把子子孙放到生成器中
#
# print(list(res))5、嵌套选择
# res=soup.html.body.p
# print(type(res)) # bs4.element.Tag
from bs4.element import Tag####了解
6、子节点、子孙节点
# print(soup.p.contents) #p下所有子节点，放到列表中# print(soup.p.children) #得到一个迭代器,包含p下所有子节点# for i,child in enumerate(soup.p.children):
# print(i,child)# print(soup.p.descendants) #获取子孙节点,p下所有的标签都会选择出来
# for i,child in enumerate(soup.p.descendants):
# print(i,child)7、父节点、祖先节点# print(soup.a.parent) #获取a标签的父节点# print(soup.body.parent)# print(soup.a.parents) #找到a标签所有的祖先节点，父亲的父亲，父亲的父亲的父亲...
# print(list(soup.a.parents))
# print(len(list(soup.a.parents)))8、兄弟节点
# print(soup.a.next_sibling) #下一个兄弟
# print(soup.a.previous_sibling) #上一个兄弟
#
# print(list(soup.a.next_siblings)) #下面的兄弟们=>生成器对象
# print(list(soup.a.previous_siblings)) #上面的兄弟们=>生成器对象四、 搜索文档树
1、五种过滤器
五种过滤器: 字符串、正则表达式、列表、True、方法
字符串
# res=soup.find(name='body')
# res=soup.find(name='p',class_='story')# 查找id为link2的标签
# res=soup.find(id='link2',name='a',class_='sister',href='http://example.com/lacie')
# res=soup.find(href='http://example.com/lacie')
# print(res)# res=soup.find(attrs={'class':['sister']})
# print(res)正则表达式
import re
# res=soup.find_all(name=re.compile('^b')) #找出b开头的标签，结果有body和b标签
# res=soup.find(name=re.compile('^b'))# res=soup.find_all(class_=re.compile('^s'))
# res=soup.find_all(href=re.compile('^http'))
# res=soup.find_all(id=re.compile('^l'))
# print(res)列表# res=soup.find_all(name=['body','b'])
# res=soup.find_all(id=['link1','link2'])# res=soup.find_all(attrs={'id':['link1','link2']})
#
# print(res)True# links=soup.find_all(href=True)
# print(links)# res=soup.find_all(name=True)
# res=soup.find_all(id=True)
# print(res)方法
# def has_class_but_no_id(tag):
# return tag.has_attr('class') and not tag.has_attr('id')
#
# print(len(soup.find_all(name=has_class_but_no_id)))# 拿出当前页面所有图片
soup.find_all(name='img',href=True)## 建议 遍历文档树和搜索文档树混用
# soup.body.div.find其他参数 find，find_all#limit
# soup.find()
# res=soup.find_all(name='a',href=True,limit=2) # 限制获取的条数
# print(res)# recursive 是否递归查找
# res=soup.find_all(name='a',recursive=False)
# res=soup.find_all(name='html',recursive=False)
# print(res)
2、CSS选择器
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story <p>asdfasdf</p></b>Once upon a time there were three little sisters; and their names were<a href="http://example.com/elsie" class="sister" id="link1"><span>Elsie</span></a><a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;<div class='panel-1'><ul class='list' id='list-1'><li class='element'>Foo</li><li class='element'>Bar</li><li class='element'>Jay</li></ul><ul class='list list-small' id='list-2'><li class='element'><h1 class='yyyy'>Foo</h1></li><li class='element xxx'>Bar</li><li class='element'>Jay</li></ul></div>and they lived at the bottom of a well.
</p>
<p class="story">...</p>
"""
from bs4 import BeautifulSoup
soup=BeautifulSoup(html_doc,'html.parser')'''
#id
.类名
标签
标签>标签
标签 标签
'''# res=soup.p.select('.sister') # 使用css选择器
# res=soup.p.select('#link1') # 使用css选择器
# res=soup.select('body>p') # 使用css选择器 body的子标签p
res=soup.select('body p') # 使用css选择器 body的子子孙孙标签p
print(len(res))### css选择器是通用的：bs4，lxml解析也可以是css选择器##css选择器不会写怎么办？
'#maincontent > div:nth-child(3) > table > tbody > tr:nth-child(13) > td:nth-child(3)'## xpath选择
'//*[@id="maincontent"]/div[2]/table/tbody/tr[18]/td[2]'
五、 修改文档树
链接：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#id40
六、 总结
# 总结:
#1、推荐使用lxml解析库
#2、讲了三种选择器:标签选择器,find与find_all，css选择器1、标签选择器筛选功能弱,但是速度快2、建议使用find,find_all查询匹配单个结果或者多个结果3、如果对css选择器非常熟悉建议使用select
#3、记住常用的获取属性attrs和文本值get_text()的方法
七、 selenium使用
# 如果使用requests模块，发送请求获取的数据不全，它不能执行js# selenium:可以使用代码控制模拟人操作浏览器## 操作某个浏览器，就需要有浏览器驱动
# http://npm.taobao.org/mirrors/chromedriver/ 谷歌驱动的淘宝镜像站
# 谷歌浏览器版本要跟驱动版本对应## 92.0.4515.131 下载相应版本驱动，放到项目代码中# pip3 install selenium# from selenium import webdriver
# import time
# # 打开一个谷歌浏览器
# bro=webdriver.Chrome(executable_path='chromedriver.exe')
#
# #地址栏中输入百度
# bro.get('https://www.cnblogs.com/')
#
# time.sleep(2)
#
# print(bro.page_source) #当前页面的html内容
#
# bro.close() # 关闭浏览器# import requests
#
# res=requests.get('https://dig.chouti.com/',headers={# 'User-Agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.131 Safari/537.36'
# })
# print(res.text)
Beautifulsoup模块相关推荐
- requsets模块和beautifulsoup模块
2.requests模块方法 requests是基于Python开发的HTTP库,使用Requests可以轻而易举的完成浏览器可有的任何操作. request.get() request.post() ...
- python3 beautifulsoup 模块详解_关于beautifulsoup模块的详细介绍
这篇文章主要给大家介绍了python中 Beautiful Soup 模块的搜索方法函数. 方法不同类型的过滤参数能够进行不同的过滤,得到想要的结果.文中介绍的非常详细,对大家具有一定的参考价值,需要 ...
- 【爬虫剑谱】三卷3章 拾遗篇-有关于bs4库中的BeautifulSoup模块使用小结
关于bs4库中的BeautifulSoup模块在实战后的快速上手小结 一.BeautifulSoup 模块 1.将 Beautiful 对象实例化的两种方法 (1)将本地 HTML 文档转为 Beau ...
- python爬虫之使用BeautifulSoup模块抓取500彩票网竞彩足球赛果及赔率
目录 前言 分析思路 数据储存 代码 结果展示 结语 前言 竞彩足球是目前比较受欢迎的一种体彩彩种,玩法较为灵活多样,赔率可观,今天就来记录一下如何抓取竞彩足球的开奖信息和赔率. 分析思路 我使用的网 ...
- BeautifulSoup模块学习文档
一.BeautifulSoup简介 1.BeautifulSoup模块 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 ...
- Requests 与 BeautifulSoup 模块
一.Requests库 参考 :http://www.python-requests.org/en/master/user/quickstart/#make-a-request Requests是一个 ...
- python：BeautifulSoup 模块使用指南
官方文档如下介绍: 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.Beauti ...
- python bs4模块_python爬虫之Beautifulsoup模块用法详解
什么是beautifulsoup: 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.(官方) beautifulsoup是 ...
- 爬虫-request和BeautifulSoup模块
requests简介 Python标准库中提供了:urllib.urllib2.httplib等模块以供Http请求,但是,它的 API 太渣了.它是为另一个时代.另一个互联网所创建的.它需要巨量的工 ...
最新文章
- 又被 AI 抢饭碗？2457 亿参数规模，全球最大中文人工智能巨量模型 “源1.0”正式开源...
- 辞职的时候才知道上司的工资是我的10倍，这些道理都在这些公众号中！
- RecyclerView缓存机制（回收些啥？）
- linux——数据库mariadb的基础操作
- boost::iostreams::filtering_ostream用法的测试程序
- 注册表 ControlSet001、ControlSet002以及CurrentControlSet
- 贵大计算机在职,贵州大学在职研究生招生信息网
- 27个澳洲年轻人，重演了少年马云的一段奇遇
- UVA10192 Vacation【LCS+DP+记忆化递归】
- python判断文件或文件夹是否存在
- 如何查看Linux的系统是64位的还是32位的
- c++ PP第十一章最后一题
- WEB中前台JS控制打印PDF文件
- 第十三章 音视频播放——Qt
- 使用fsck修复系统文件错误
- 大厂软技能最佳实践--金字塔原理篇
- VC++ Hook截取鼠标点击窗口消息的问题！全局钩子
- excel 宏命令 VB 批量删除word表格的指定行
- Python字符串中提取国家名称
- 【SpringBoot】70、SpringBoot实现MySQL数据库自动备份管理系统