Python3操作BeautifulSoup基础语法 _基础语法

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

代码示例

< !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>

遍历文档树

.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