【学习笔记】Python - Beautiful Soup

Beautiful Soup

Beautiful Soup是一个模块，用于从HTML页面中提取信息（类似于正则表达式的功能）。Beautiful Soup的模块名称是“bs4”（表示Beautiful Soup的第4版）。

安装Beautiful Soup

命令：pip install beautifulsoup4

导入：import bs4

使用Beautiful Soup

1、根据HTML创建一个Beautiful Soup对象

bs4.BeautifulSoup()函数调用时需要一个字符串，其中包含了将要解析的HTML文件。

bs4.BeautifulSoup()函数返回一个BeautifulSoup对象。

当然bs4.BeautifulSoup()函数也可以从本地读入HTML文件，前提是在本地保存了HTML文件，它会返回一个BeautifulSoup对象。

2、使用select()方法寻找元素

选择器就好比正则表达式，它们指定了要寻找的模式，就可以取得Web页面元素。

传递给select()方法的选择器	将要匹配...
soup.select(‘div’)	所有名为<div>的元素
soup.select(‘#author’)	带有id属性为author的元素
soup.select(‘.notice’)	所有使用CSS class属性名为notice的元素
soup.select(‘div span’)	所以在<div>元素之内的<span>元素
soup.select(‘div > span’)	所有直接在<div>元素之内的<span>元素，中间没有其他元素
soup.select(‘input[name]’)	所有名为<input>，并有一个name属性，其值无所谓的元素
soup.select(‘input[type=”button”]’)	所有名为<input>，并有一个type属性，其值为button的元素

不同的选择器模式可以组合起来，形成更复杂的匹配。

比如soup.select(‘p#author’)将匹配在<p>元素内所有id属性为author的元素。

select()方法将返回一个Tag对象的列表，这是Beautiful Soup表示一个HTML元素的方式。Tag值可以传递给str()函数，显示它们代表的HTML标签。Tag值也可以有attrs属性，它将该Tag的所有HTML属性作为一个字典。

上面的代码将所有带有id = “su”的元素都找出来了，返回一个列表，列表中只有一个Tag对象（仅一次匹配），getText()方法返回元素内部文本或者内部HTML（即开始/结束标签之间的内容），最后attrs属性返回了一个字典。

3、通过元素获取数据

Tag对象的get()方法可以很容易从元素中获取属性值，向该方法传入一个属性名称的字符串，它将返回该属性的值。