python中的BeautifulSoup使用小结,,1.安装pip in
python中的BeautifulSoup使用小结,,1.安装pip in
1.安装
pip install beautifulsoup4
2.代码文件中导入
from bs4 import BeautifulSoup
3.
解析器 | 使用方法 | 优势 | 劣势 |
---|---|---|---|
Python标准库 | BeautifulSoup(markup, “html.parser”) | Python的内置标准库执行速度适中文档容错能力强 | Python 2.7.3 or 3.2.2)前 的版本中文档容错能力差 |
lxml HTML 解析器 | BeautifulSoup(markup, “lxml”) | 速度快文档容错能力强 | 需要安装C语言库 |
lxml XML 解析器 | BeautifulSoup(markup, [“lxml”, “xml”])BeautifulSoup(markup, “xml”) | 速度快唯一支持XML的解析器 | 需要安装C语言库 |
html5lib | BeautifulSoup(markup, “html5lib”) | 最好的容错性以浏览器的方式解析文档生成HTML5格式的文档 | 速度慢不依赖外部扩展 |
4.
r = requests.get(‘http://www.baidu.com/‘)soup = BeautifulSoup(r.text, ‘html.parser‘)soup = BeautifulSoup(open(‘index.html‘))print soup.prettify() #美化HTML代码显示
5.
Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象:
soup.headsoup.a#显示第一个同名标签soup.head.name #显示标签名称,这里输出‘head’soup.head.attrs #显示标签的属性,以字典形式返回所有属性soup.head[‘class‘] #显示head标签的class属性值soup.head[‘class‘] = ‘newclass‘ #修改head标签class属性值为‘newclass’del soup.head[‘class‘] #删除head标签的class属性
soup.head.string #获取标签内的正文内容,返回值类型为NavigableString
6.遍历
soup.body.contents[0] #获取body标签的第一个子结点,contents是一个列表for child in soup.body.children: print(child.string) #children与contents一样,都获取全部直接子结点,只不过children是一个生成器,需遍历取出for child in soup.body.descendants: print(child.string) #递归遍历获取自身下面所有层级的所有节点,从最高一层列出然后下一层,直到最底层。for string in soup.body.children.strings: print(repr(string)) #strings获取多个正文内容,需遍历取出,stripped_strings去掉每个字符串前后空格及空行,多余的空格或空行全部去掉,使用方法与strings一致soup.body.parent #获取父节点for parent in soup.head.title.string.parents: print(parent.name) #遍历上级节点路径,返回结果为title,head,html.next_sibling #下一兄弟节点.previous_sibling #上一兄弟节点.next_siblings #往下遍历所有兄弟节点.previous_siblings #往上遍历所有兄弟节点.next_element #下一节点,不分层级.previous_element #上一节点,不分层级.next_elements #往下顺序遍历所有节点,不分层级.previous_elements #往上遍历所有节点,不分层级
7.搜索查找标签
find_all( name , attrs , recursive , text , **kwargs )#例:#(1)name参数soup.find_all(‘a‘) #查找所有a标签soup.body.div.find_all(‘a‘) #查找body下面第一个div中的所有a标签for tag in soup.find_all(re.compile(‘^b‘)); print(tag.name) #正则表达式查找所有以b开头的标签soup.find_all([‘a‘,‘b‘]) #列表查找,返回所有a标签和b标签soup.find_all(True) #为True时,所有标签都满足搜索条件,返回所有标签#以下为自定义过滤条件,筛选满足自定义条件的标签def has_class_but_no_id(tag):return tag.has_attr(‘class‘) and not tag.has_attr(‘id‘)soup.find_all(has_class_but_no_id) #返回所有具有class属性但无id属性的标签#(2)attrs参数,以标签属性搜索soup.find_all(id=‘nd2‘) #返回所有标签中属性id等于nd2的标签soup.find_all(href=re.compile("elsie"), id=‘link1‘) #多个条件同时筛选,可用正则表达式soup.find_all("a", class_="sister") #属性中如果有python关键字,比如class属性,不可以直接class=‘sister‘,应加个下划线与python关键字区分class_=‘sister‘soup.find_all(attrs={"data-foo": "value"})#类似于html5中的data-foo属性不可直接写为soup.find_all(data-foo=‘value‘),因为python命名规则中不允许有中划线(即横杠),应以字典形式传入attrs参数中,所有的属性搜索都可以使用这种方法#(3)text参数soup.find_all(text="Tillie") #搜索文档中的字符串内容为tillie,与name参数一样,可用列表、正则表达式等#(4)limit参数soup.find_all(‘a‘, limit=2) #返回搜索文档中前两个a标签,文档较大时可节约资源#(5)recursive参数soup.head.find_all("title", recursive=False) #在head的直接子节点中搜索,默认为recursive=True,表示在所有子孙节点中搜索
find( name , attrs , recursive , text , **kwargs )#与find_all用法完全一致,区别在于find只返回第一个满足条件的结果,而find_all返回的是一个列表,需遍历操作
#以下方法参数用法与 find_all() 完全相同,下面只列出区别find_parents() find_parent()#find_all() 和 find() 只搜索当前节点的所有子节点,孙子节点等. find_parents() 和 find_parent() 用来搜索当前节点的父辈节点,搜索方法与普通tag的搜索方法相同,搜索文档搜索文档包含的内容find_next_siblings() find_next_sibling()#这2个方法通过 .next_siblings 属性对当 tag 的所有后面解析的兄弟 tag 节点进行迭代, find_next_siblings() 方法返回所有符合条件的后面的兄弟节点,find_next_sibling() 只返回符合条件的后面的第一个tag节点find_previous_siblings() find_previous_sibling()#这2个方法通过 .previous_siblings 属性对当前 tag 的前面解析的兄弟 tag 节点进行迭代, find_previous_siblings() 方法返回所有符合条件的前面的兄弟节点, find_previous_sibling() 方法返回第一个符合条件的前面的兄弟节点find_all_next() find_next()#这2个方法通过 .next_elements 属性对当前 tag 的之后的tag 和字符串进行迭代, find_all_next() 方法返回所有符合条件的节点, find_next() 方法返回第一个符合条件的节点find_all_previous() 和 find_previous()#这2个方法通过 .previous_elements 属性对当前节点前面的 tag 和字符串进行迭代, find_all_previous() 方法返回所有符合条件的节点, find_previous()方法返回第一个符合条件的节点
python中的BeautifulSoup使用小结
相关内容
- Python加密与解密,,前言据记载,公元前4
- python3.6使用chardet模块总是报错ValueError: Expected a bytes
- python3 request 库,python3request,request库
- python 的 turtle 库(一),pythonturtle,TurtleScre
- python如何获取多个excel单元格的值,pythonexcel,一. 获取多
- Python基本知识 os.path.join与split() 函数,pythonos.path.join
- python学习之遇到得基础报错,python学习基础报,error01:
- python argparse详解,pythonargparse,1.argparse
- python爬虫笔记之re.IGNORECASE,, re.IGNO
- 用感知机(Perceptron)实现逻辑AND功能的Python3代码,p
评论关闭