Beautuful Soup库的安装
Beautuful Soup
安装过程不再赘述,直接看官方文档,看不懂直接百度即可。
Beautiful Soup库的基本元素
Beautiful Soup是能够解析HTML和XML文件的功能库
Beautiful Soup库解析器
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 |
bs4的XML解析器 | BeautifulSoup(mk, ‘xml’) | pip install lxml |
html5lib的解析器 | BeautifulSoup(mk, ‘html5lib’) | pip install html5lib |
Beautiful Soup类的基本元素
基本元素 | 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 |
Name | 标签的名字,<p></p> 的名字是“p”,格式:<tag>.name |
Attributes | 标签的属性,字典形式组织,格式:<tag>.attrs |
NavigableString | 标签内非属性字符串,<>...</> 中字符串,格式:<tag>.string |
Comment | 标签内字符串的注释部分,一种特殊的Comment类型 |
基于bs4库的HTML内容遍历方法
下行遍历
属性 | 说明 |
---|---|
.contents | 子节点的列表,将<tag> 所有的儿子结点存入列表 |
.children | 子节点的迭代类型,与contents类似,用于循环遍历儿子结点 |
.descendants | 子孙结点的迭代类型,包含所有子孙结点,用于循环遍历 |
上行遍历
属性 | 说明 |
---|---|
.parent | 结点的父亲标签 |
.parents | 结点先辈标签的迭代类型,用于循环遍历先辈结点 |
soup = BeautifulSoup(demo, "html.parser")
for parent in soup.a.parents:if parent is None:print(parent)else:print(parent.name)
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文本顺序的后序所有平行节点标签 |
.previous_siblings | 迭代类型,返回按照HTML文本顺序的前序所有平行节点标签 |
所有的平行遍历必须发生在同一个父亲结点下
基于bs4库的HTML格式化
bs4库中提供了prettify()方法
from bs4 import BeautifulSoup
soup = BeautifulSoup(demo, "html.parser")
print(soup.prettify())
基于bs4库的HTML内容超找方法
重点方法:
find_all(name, attrs, recursive, string, **kwargs)
返回一个列表类型,存储查找的结果。
name
:对标签名称的检索字符串
soup.find_all('a')
返回所有a标签的
soup.find_all(['a','b'])
返回所有的a标签和b标签
for tag in soup.find_all(re.compile('b'))
返回所有的b开头的标签attrs
: 对标签属性值的检索字符串,可标注属性检索
soup.find_all('p','course')
查找p标签中包含course属性值
soup.find_all('id=link')
查找id属性等于link的值的元素recursive
: 是否对子孙全部检索,默认Truestring
:<>...</>
中字符串区域的检索字符串
soup.find_all(string = "Basic Python")
标签之间字符串为Basic Python的元素
扩展方法:
方法 | 说明 |
---|---|
<>.find() | 搜索且只返回一个结果,字符串类型,同find_all()参数 |
<>.find_parents() | 在先辈节点中搜索,返回列表类型,同find_all()参数 |
<>.find_parent() | 在先辈中返回一个结果,字符串类型,同find()参数 |
<>.find_next_siblings() | 在后续平行节点中搜索,返回列表类型,同find_all()参数 |
<>.find_next_sibling() | 在后续平行节点中返回一个结果,字符串类型,同find()参数 |
<>.find_previous_siblings() | 在前序平行节点中搜索,返回列表类型,同find_all()参数 |
<>.find_previous_sibling() | 在前序平行节点中返回一个结果,字符串类型,同find()参数 |