今天小婷儿给大家分享的是Beautiful Soup (一)。
Beautiful Soup (一)
1、Beautiful Soup库可以说是对HTML进行解析、遍历、维护“标签树”的功能库
2、pip install bs4
3、from bs4 import BeautifulSoup #beautifulsoup4库使用时是简写的bs4
1、Tag——标签,最基本的信息组织单元,分别用<>和</>表明开头和结尾
2、Name——标签的名字,<p>...</p>的名字是'p',格式:<tag>.name
3、Attributes——标签的属性,字典形式组织,格式:<tag>.attrs
4、NavigableString——标签内非属性字符串,<>...</>中的字符串,格式:<tag>.string
5、Comment——标签内字符串的注释部分,一种特殊的Comment类型(尖括号叹号表示注释开始:<!--This is a commet-->)
1、soup = BeautifulSoup(demo,'html.parser')
2、soup.li.name #a标签的名字
3、soup.li.parent.name #a标签的父标签的名字
4、soup.li.parent.parent.name #a标签的父标签的父标签名字
5、t = soup.li #获得第一个a标签
6、t.attrs #a标签的属性
7、soup.li.string #获得a标签内非属性字符串(NavigableString )注意:
soup = BeautifulSoup(data,'lxml')
t = soup.li.string
print(type(t),t)
t = soup.ol.li.string
print(type(t),t)
8、soup.ol.string #也可能是获得Comment标签;可通过类型进行判断
data = '''<!DOCTYPE html> <html> <head> <meta charset="UTF-8"> <title>soup测试</title> <title>你那温情的一笑,搞得我瑟瑟发抖</title> </head> <body> <div> <ul> <li id="world"><a href="http://www.baidu.com" title="出塞"><!--秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山--></a></li> <list><a href="https://www.baidu.com" title="出塞" style="font-weight: bold"><!--秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山--></a></list> <li><a href="http://www.163.com" title="huahua">人面不知何处去,桃花依旧笑春风</a></li> <lists><a href="http://mi.com" id="hong" title="huahua">去年今日此门中,人面桃花相映红</a></lists> <li id="wo"><a href="http://qq.com" name="he" id="gu">故人西辞黄鹤楼,烟花三月下扬州</a></li> </ul> <ul> <li id="sf"><a href="http://www.baidu.com" title="出塞"><!--秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山--></a></li> <list><a href="https://www.baidu.com" title="出塞"><!--秦时明月汉时关,万里长征人未还,但使龙城飞将在,不教胡马度阴山--></a></list> <li><a href="http://www.163.com">人面不知何处去,桃花依旧笑春风</a></li> <lists><a href="http://mi.com" id="fhsf">去年今日此门中,人面桃花相映红,不知桃花何处去,出门依旧笑楚风</a></lists> <li id="fs"><a href="http://qq.com" name="he" id="gufds">故人西辞黄鹤楼,烟花三月下扬州</a></li> </ul> </div> <div id="meng"> <p> <span>三国猛将</span> <ol> <li>关羽</li> <li>张飞</li> <li>赵云</li> <li>马超</li> <li>黄忠</li> </ol> <div> <ul> <li>典韦</li> <li>许褚</li> <li>张辽</li> <li>张郃</li> <li>于禁</li> <li>夏侯惇</li> </ul> </div> </p> </div> </body> </html>'''
t = soup.ul.children
print(t)
for i in t:
print(i)
.parent属性是获取父节点,返回来的是整个父节点,里面包含该子节点。.parents就是获取所有的祖先节点,返回的是一个生成器
注:>生成器是只能遍历一次的。
>生成器是一类特殊的迭代器。
name:需要获取的标签名
attrs:接收一个字典,为属性的键值,或者直接用关键字参数来替代也可以,下面
recursive:设置是否搜索直接子节点
text:对应的字符串内容
limit:设置搜索的数量
1)先使用name参数来进行搜索(print(soup.find_all('li')))
2) 使用name和attrs参数(print(soup.find_all('div', {'class':'more-meta'})))
注:这个对上个进行了筛选,属性参数填的是一个字典类型的
3)根据关键字参数来搜索
print(soup.find_all(class_='cao'))
注:因为class是python关键字,所以关键字参数时需要加多一个下划线来进行区别
4) find()方法
此方法与find_all()方法一样,只不过这个方法只是查找一个标签而已,后者是查找所有符合条件的标签。
5) select()方法
这个方法是使用css选择器来进行筛选标签的。
css选择器:就是根据标签的名字,id和class属性来选择标签。
通过标签名:直接写该标签名,如li a,这个就是找li标签下的a标签
通过class属性:用. 符号加class属性值,如.title .time这个就是找class值为title下的class值为time的标签
通过id属性:用# 加id属性值来进行查找,如#img #width这个就是找id值为img下的id值为width的标签
上面三者可以混合使用,如ul .title #width
6).get_text()方法和前面的.string属性有点不一样哈,这里的他会获取该标签的所有文本内容,不管有没有子标签
注:.string会把注释也打印出来,若标签没有内容,只有子标签有,就返回None;
.get_text()不打印注释,会把标签本身和子标签内容都打印出来;
7)还可以用标签选择器来进行筛选元素, 返回的都是一个列表
print(soup.select('div ul li'))# 这个是根据标签名进行筛选
print(soup.select('.tang .taohua'))# 这个是根据class来进行筛选
print(soup.select('#wo #gu '))# 这个是根据id来进行筛选
8)等价标签
t = soup('li')
print(type(t),t)
t = soup.find_all("li")
print(type(t),t)
t = soup.ul.find_all(text=True)
print(type(t),t)
t = soup.ul(text=True)
print(type(t),t)
soup.find_all("ul",limit=1)
9)soup.ul.find_all
soup.ul.find_all(text=True) #只有内容的列表
soup.ul.find_all() #带有li标签的列表
soup.find_all("ul", limit=1) #带有ul li list标签的列表,limit限制返回的数量