追风赶月莫停留,平芜尽处是春山。这篇文章主要讲述Python3操作BeautifulSoup基础语法相关的知识,希望能为你提供帮助。
解析库
解析库 | 使用方法 | 优势 | 劣势 |
---|---|---|---|
python标准库 | BeautifulSoup(html,’html.parser’) | Python内置标准库;执行速度快 | 容错能力较差 |
lxml HTML解析库 | BeautifulSoup(html,’lxml’) | 速度快;容错能力强 | 需要安装,需要C语言库 |
lxml XML解析库 | BeautifulSoup(html,[‘lxml’,’xml’]) | 速度快;容错能力强;支持XML格式 | 需要C语言库 |
htm5lib解析库 | BeautifulSoup(html,’htm5llib’) | 以浏览器方式解析,最好的容错性 | 速度慢 |
<
!DOCTYPE html>
<
!--STATUS OK-->
<
html>
<
head>
<
meta content="text/html;
charset=utf-8" http-equiv="content-type"/>
<
meta content="IE=Edge" http-equiv="X-UA-Compatible"/>
<
meta content="always" name="referrer"/>
<
link href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css" rel="stylesheet" type="text/css"/>
<
title>
百度一下,你就知道 <
/title>
<
/head>
<
body link="#0000cc">
<
div id="wrapper">
<
div id="head">
<
div class="head_wrapper">
<
div id="u1">
<
a rel="nofollow" class="mnav" href="http://news.baidu.com" name="tj_trnews">
新闻 <
/a>
<
a rel="nofollow" class="mnav" href="https://www.hao123.com" name="tj_trhao123">
hao123 <
/a>
<
a rel="nofollow" class="mnav" href="http://map.baidu.com" name="tj_trmap">
地图 <
/a>
<
a rel="nofollow" class="mnav" href="http://v.baidu.com" name="tj_trvideo">
视频 <
/a>
<
a rel="nofollow" class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">
贴吧 <
/a>
<
a rel="nofollow" class="bri" href="https://www.songbingjia.com//www.baidu.com/more/" name="tj_briicon" style="display: block;
">
更多产品 <
/a>
<
/div>
<
/div>
<
/div>
<
/div>
<
/body>
<
/html>
创建beautifulsoup4对象
from bs4 import BeautifulSoupsoup = BeautifulSoup(html,"html.parser")# 缩进格式
print(soup.prettify())# 获取title标签的所有内容
print(soup.title)
#Output:<
title>
百度一下,你就知道 <
/title>
# 获取title标签的名称
print(soup.title.name)
#Output:title# 获取title标签的文本内容
print(soup.title.string)
#Output:百度一下,你就知道# 获取head标签的所有内容
print(soup.head)# 获取第一个div标签中的所有内容
print(soup.div)# 获取第一个div标签的id的值
print(soup.div["id"])# 获取第一个a标签中的所有内容
print(soup.a)# 获取所有的a标签中的所有内容
print(soup.find_all("a"))# 获取id="u1"
print(soup.find(id="u1"))# 获取所有的a标签,并遍历打印a标签中的href的值
for item in soup.find_all("a"):
print(item.get("href"))# 获取所有的a标签,并遍历打印a标签的文本值
for item in soup.find_all("a"):
print(item.get_text())
BeautifulSoup4四大对象种类
- Tag:通俗点讲就是HTML中的一个个标签
from soup4 import BeautifulSoup soup = BeautifulSoup(html,"html.parser")# 获取title标签的所有内容 print(soup.title)# 获取head标签的所有内容 print(soup.head)# 获取第一个a标签的所有内容 print(soup.a)# 类型 print(type(soup.a#soup 对象本身比较特殊,它的 name 即为 [document] print(soup.name)# head #对于其他内部标签,输出的值便为标签本身的名称 print(soup.head.name)# 在这里,我们把 a 标签的所有属性打印输出了出来,得到的类型是一个字典。 print(soup.a.attrs)#还可以利用get方法,传入属性的名称,二者是等价的 print(soup.a[class]) # soup.a.get(class)# 可以对这些属性和内容等等进行修改 soup.a[class] = "newClass" print(soup.a)# 还可以对这个属性进行删除 del soup.a[class] print(soup.a)
- NavigableString: 获取标签内部的文字用 .string 即可
print(soup.title.string)print(type(soup.title.string))
- BeautifulSoup: 表示的是一个文档的内容
print(type(soup.name))print(soup.name)print(soup.attrs)
- Comment: 是一个特殊类型的 NavigableString 对象,其输出的内容不包括注释符号。
print(soup.a)# 此时不能出现空格和换行符,a标签如下: # < a rel="nofollow" class="mnav" href="http://news.baidu.com" name="tj_trnews"> < !--新闻--> < /a> print(soup.a.string) # 新闻print(type(soup.a.string)) # < class soup4.element.Comment>
- .contents:获取Tag的所有子节点,返回一个list
# tag的.content 属性可以将tag的子节点以列表的方式输出
print(soup.head.contents)# 用列表索引来获取它的某一个元素
print(soup.head.contents[1])
- .children:获取Tag的所有子节点,返回一个生成器
for child insoup.body.children:
print(child)
搜索文档树
- find_all(name, attrs, recursive, text, **kwargs)
- name参数
- 字符串过滤:会查找与字符串完全匹配的内容
a_list = soup.find_all("a") print(a_list)
- 正则表达式过:如果传入的是正则表达式,那么BeautifulSoup4会通过search()来匹配内容
item_list = soup.find_all(re.compile("a")) for item in item_list: print(item)
- 列表: 如果传入一个列表,BeautifulSoup4将会与列表中的任一元素匹配到的节点返回
item_list = soup.find_all(["meta","link"]) for item in item_list: print(item)
- 方法: 传入一个方法,根据方法来匹配
def name_is_exists(tag): return tag.has_attr("name")item_list = soup.find_all(name_is_exists) for item in item_list: print(item)
- 【Python3操作BeautifulSoup基础语法】kwargs参数
# 查询id=head的Tag item_list = soup.find_all(id="head") print(item_list)# 查询href属性包含ss1.bdstatic.com的Tag item_list = soup.find_all(href=https://www.songbingjia.com/android/re.compile("http://news.baidu.com")) print(item_list)# 查询所有包含class的Tag(注意:class在Python中属于关键字,所以加_以示区别) item_list = soup.find_all(class_=True) for item in item_list: print(item)
- attrs参数
item_list = soup.find_all(attrs="data-foo":"value") for item in item_list: print(item)
- text参数
item_list = soup.find_all(attrs="data-foo": "value") for item in item_list: print(item)item_list = soup.find_all(text="hao123") for item in item_list: print(item)item_list = soup.find_all(text=["hao123", "地图", "贴吧"]) for item in item_list: print(item)item_list = soup.find_all(text=re.compile("\\d")) for item in item_list: print(item)
- limit参数
item_list = soup.find_all("a",limit=2) for item in item_list: print(item)
- find
t = soup.div.div# 等价于
t = soup.find("div").find("div")
CSS选择器
- 通过标签名查找
print(soup.select(title))print(soup.select(a))
- 通过类名查找
print(soup.select(.mnav))
- 通过id查找
print(soup.select(#u1))
- 组合查找
print(soup.select(div .bri))
- 属性查找
print(soup.select(a[class="bri"]))
print(soup.select(a[href="http://tieba.baidu.com"]))
- 获取内容
item_list = soup.select("title")
print(soup.select(title)[0].get_text())
推荐阅读
- Zookeeper - 理论基础-补充
- Fastjon2他来了,性能显著提升,还能再战十年
- Forward windows logs to rsyslog server? with Nxlog
- GitHub打不开(看看这5个免费的国内Git仓库吧~)
- 干货合集│最好用的 python 库都在这
- 一些编码Tips
- 音频 3A 处理实践,让你的应用更「动听」
- SpringBoot应用使用自定义的ApplicationContext实现类
- 微电网数字孪生 | 智能时代,部署源网荷储一体化管控平台