python之Beautiful Soup的基本用法

2021-04-23 06:29

阅读:708

YPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">

标签:class   支持   tor   tag   利用   简单   panel   list   attrs   

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式的函数来处理导航、搜索、修改分析树等功能。它是一个工具箱,通过解析文档为用户提供需要抓取的数据,因为简单,所以不需要多少代码就可以写出一个完整的应用程序。
  • 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。你不需要考虑编码方式,除非文档没有指定一个编码方式,这时你仅仅需要说明一下原始编码方式就可以了。
  • Beautiful Soup已成为和lxml、html6lib一样出色的Python解释器,为用户灵活地提供不同的解析策略或强劲的速度。

首先,我们要安装它:pip install bs4,然后安装 pip install beautifulsoup4.

Beautiful Soup支持的解析器

技术图片

 

 下面我们以lxml解析器为例:

from bs4 import BeautifulSoup
soup = BeautifulSoup(

Hello

, lxml) print(soup.p.string)

结果:

Hello

beautiful soup美化的效果实例:

html = """
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.

...

""" from bs4 import BeautifulSoup soup = BeautifulSoup(html, lxml)
#调用prettify()方法。这个方法可以把要解析的字符串以标准的缩进格式输出
print(soup.prettify()) print(soup.title.string)

结果:

 
<span>
   The Dormouse</span><span>‘</span><span>s story</span>
  

class="title" name="dromouse"> The Dormouses story

class="story"> Once upon a time there were three little sisters; and their names were class="sister" href="http://example.com/elsie" id="link1"> , class="sister" href="http://example.com/lacie" id="link2"> Lacie and class="sister" href="http://example.com/tillie" id="link3"> Tillie ; and they lived at the bottom of a well.

class="story"> ...

The Dormouses story

下面举例说明选择元素、属性、名称的方法

html = """
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.


...


"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, ‘lxml‘)
print(‘输出结果为title节点加里面的文字内容:\n‘,soup.title)
print(‘输出它的类型:\n‘,type(soup.title))
print(‘输出节点的文本内容:\n‘,soup.title.string)
print(‘结果是节点加其内部的所有内容:\n‘,soup.head)
print(‘结果是第一个p节点的内容:\n‘,soup.p)
print(‘利用name属性获取节点的名称:\n‘,soup.title.name)
#这里需要注意的是,有的返回结果是字符串,有的返回结果是字符串组成的列表。
# 比如,name属性的值是唯一的,返回的结果就是单个字符串。
# 而对于class,一个节点元素可能有多个class,所以返回的是列表。
print(‘每个节点可能有多个属性,比如id和class等:\n‘,soup.p.attrs)
print(‘选择这个节点元素后,可以调用attrs获取所有属性:\n‘,soup.p.attrs[‘name‘])
print(‘获取p标签的name属性值:\n‘,soup.p[‘name‘])
print(‘获取p标签的class属性值:\n‘,soup.p[‘class‘])
print(‘获取第一个p节点的文本:\n‘,soup.p.string)

结果:

输出结果为title节点加里面的文字内容:

The Dormouse‘s story
输出它的类型:

输出节点的文本内容:
The Dormouse‘s story
结果是节点加其内部的所有内容:
The Dormouse‘s story
结果是第一个p节点的内容:

The Dormouse‘s story


利用name属性获取节点的名称:
title
每个节点可能有多个属性,比如id和class等:
{‘class‘: [‘title‘], ‘name‘: ‘dromouse‘}
选择这个节点元素后,可以调用attrs获取所有属性:
dromouse
获取p标签的name属性值:
dromouse
获取p标签的class属性值:
[‘title‘]
获取第一个p节点的文本:
The Dormouse‘s story

在上面的例子中,我们知道每一个返回结果都是bs4.element.Tag类型,它同样可以继续调用节点进行下一步的选择。

html = """

The Dormouse‘s story"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, lxml)
print(获取了head节点元素,继续调用head来选取其内部的head节点元素:\n,soup.head.title)
print(继续调用输出类型:\n,type(soup.head.title))
print(继续调用输出内容:\n,soup.head.title.string)

结果:

获取了head节点元素,继续调用head来选取其内部的head节点元素:
 The Dormouse<span>‘</span><span>s story</span>
继续调用输出类型:
 class bs4.element.Tag>
继续调用输出内容:
 The Dormouses story

(1)find_all()
find_all,顾名思义,就是查询所有符合条件的元素。给它传入一些属性或文本,就可以得到符合条件的元素,它的功能十分强大。

find_all(name , attrs , recursive , text , **kwargs)

他的用法:

html=‘‘‘

Hello

  • Foo
  • Bar
  • Jay
  • Foo
  • Bar
‘‘‘ from bs4 import BeautifulSoup soup = BeautifulSoup(html, lxml) print(查询所有ul节点,返回结果是列表类型,长度为2:\n,soup.find_all(name=ul)) print(每个元素依然都是bs4.element.Tag类型:\n,type(soup.find_all(name=ul)[0])) #将以上步骤换一种方式,遍历出来 for ul in soup.find_all(name=ul): print(输出每个u1:,ul.find_all(name=li)) #遍历两层 for ul in soup.find_all(name=ul): print(输出每个u1:,ul.find_all(name=li)) for li in ul.find_all(name=li): print(输出每个元素:,li.string)

结果:

查询所有ul节点,返回结果是列表类型,长度为2:
 [
    class="list" id="list-1">
  • class="element">Foo
  • class="element">Bar
  • class="element">Jay
,
    class="list list-small" id="list-2">
  • class="element">Foo
  • class="element">Bar
] 每个元素依然都是bs4.element.Tag类型: class bs4.element.Tag> 输出每个u1: [
  • class="element">Foo
  • ,
  • class="element">Bar
  • ,
  • class="element">Jay
  • ] 输出每个u1: [
  • class="element">Foo
  • ,
  • class="element">Bar
  • ] 输出每个u1: [
  • class="element">Foo
  • ,
  • class="element">Bar
  • ,
  • class="element">Jay
  • ] 输出每个元素: Foo 输出每个元素: Bar 输出每个元素: Jay 输出每个u1: [
  • class="element">Foo
  • ,
  • class="element">Bar
  • ] 输出每个元素: Foo 输出每个元素: Bar

    技术图片

     

    python之Beautiful Soup的基本用法

    标签:class   支持   tor   tag   利用   简单   panel   list   attrs   

    原文地址:https://www.cnblogs.com/xiao02fang/p/13269984.html


    评论


    亲,登录后才可以留言!