Python Beautiful Soup库
Beautiful Soup库
Beautiful Soup库:https://www.crummy.com/software/BeautifulSoup/
安装Beautiful Soup:
使用Beautiful Soup库
from bs4 import BeautifulSoup #这里的BeautifulSoup是个类
soup = BeautifulSoup('<p>data</p>','html.parser')#使用html.parser解析器
例子:获取http://python123.io/ws/demo.html的信息
Beautiful Soup库的基本元素
Beautiful Soup库是解析、遍历、维护“标签树”的功能库。
Beautiful Soup库,也叫beautifulsoup4或者bs4。
from bs4 import BeautifulSoup #在bs4库中引入BeautifulSoup类型
soup = BeautifulSoup("<html>data</html>","html.parser")
soup = BeautifulSoup("D://demo.html","html.parser") #通过打开文件的方式
BeautifulSoup对应一个HTML/XML文档的全部内容
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 |
lxml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 |
NavigebleString | 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
标签树的下行遍历
属性 | 说明 |
---|---|
.contents | 子节点的列表,将< tag >所有儿子节点存入列表 |
.children | 子节点的迭代类型,与.contents类似,用于循环遍历儿子节点 |
.descendants | 子孙节点的迭代类型,包含所有子孙节点,用于循环遍历 |
for child in soup.body.children:
print(child) #遍历body标签儿子节点
for child in soup.body.descendants:
print(child) #遍历子孙节点
标签树的上行遍历
属性 | 说明 |
---|---|
.parent | 节点的父亲标签 |
.parents | 节点先辈标签的迭代类型,用于循环遍历先辈节点 |
打印soup的a标签的所有先辈:
标签树的平行遍历
平行遍历发生在同一个父节点下的各节点间
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的标签 |
.net_sibling | 迭代类型,返回按照HTML文本顺序的后续所有平行节点标签 |
.previous_sibling | 迭代类型,返回按照HTML文本顺序的前续所有平行节点标签 |
for sibling in soup.a.next_siblings:
print(sibling) #遍历后续平行节点
for sibling in soup.a.previous_sibling:
print(sibling) #遍历前续平行节点
基于bs4库的HTML格式化和编码
prettify()方法
.prettify()方法在每个标签后面加了个换行符/n
基于bs4库的HTML内容查找方法
.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
- attres:对标签属性值的检索字符串,可标注属性检索
- recursive:是否对子孙全部检索,默认True
- string:<>...</>中字符串区域的检索字符串
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() | 在先辈节点搜索,返回列表类型,同.find_all()参数 |
<>.find()_parent() | 在先辈节点返回一个结果,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素,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 |
实例:“中国大学排名定向爬虫”
中国大学排名:
http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html
功能描述
- 输入:大学排名URL链接
- 输出:大学排名信息的屏幕输出(排名,大学名称,总分)
- 技术路线:requests-bs4
- 定向爬虫:仅对输入URL进行爬取,不扩展爬取
程序的结构设计
- 步骤1:从网络上获取大学排名网页内容 getHTMLText()
- 步骤2:提取网页内容中信息到合适的数据结构 fillUnivList()
- 步骤3:利用数据结构展示并输出结果 printUnivList()
import requests
from bs4 import BeautifulSoup
import bs4
def getHTMLText(url):
try:
r = requests.get(url, timeout = 30)
r.raise_for_status()
r.encoding = r.apparent_encoding
return r.text
except:
return ""
def fillUnivList(ulist, html):
soup = BeautifulSoup(html, "html.parser")
for tr in soup.find('tbody').children: #find查找tbody标签,children循环遍历儿子节点
if isinstance(tr,bs4.element.Tag):#判断tr是否是类bs4.element.Tag的对象
tds = tr('td')
ulist.append([tds[0].string,tds[1].string,tds[2].string])#.string:<>...</>中字符串区域的检索字符串
def printUnivList(ulist, num):
tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"
print(tplt.format("排名", "学校名称", "总分",chr(12288))) #chr(12288)中文空格填充
for i in range(num):
u=ulist[i]
print(tplt.format(u[0],u[1],u[2],chr(12288)))
def main():
unifo = []
url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html'
html = getHTMLText(url)
fillUnivList(unifo, html)
printUnivList(unifo, 20) #20 univs
main()
Python Beautiful Soup库的更多相关文章
- python beautiful soup库的超详细用法
原文地址https://blog.csdn.net/love666666shen/article/details/77512353 参考文章https://cuiqingcai.com/1319.ht ...
- python Beautiful Soup库入门
bs4库的HTML内容遍历方法 基于bs4库的HTML格式输出 显示:友好的显示 <tag>.prettify() 编码:bs4库将任何HTML输入都变成utf-8编码(python 3. ...
- Beautiful Soup库基础用法(爬虫)
初识Beautiful Soup 官方文档:https://www.crummy.com/software/BeautifulSoup/bs4/doc/# 中文文档:https://www.crumm ...
- 【转载】Beautiful Soup库(bs4)入门
转载自:Beautiful Soup库(bs4)入门 该库能够解析HTML和XML 使用Beautiful Soup库: from bs4 import BeautifulSoup impo ...
- Beautiful Soup库入门
1.安装:pip install beautifulsoup4 Beautiful Soup库是解析.遍历.维护“标签树”的功能库 2.引用:(1)from bs4 import BeautifulS ...
- 【Python爬虫学习笔记(3)】Beautiful Soup库相关知识点总结
1. Beautiful Soup简介 Beautiful Soup是将数据从HTML和XML文件中解析出来的一个python库,它能够提供一种符合习惯的方法去遍历搜索和修改解析树,这将大大减 ...
- Python Beautiful Soup 解析库的使用
Beautiful Soup 借助网页的结构和属性等特性来解析网页,这样就可以省去复杂的正则表达式的编写. Beautiful Soup是Python的一个HTML或XML的解析库. 1.解析器 解析 ...
- python之Beautiful Soup库
1.简介 简单来说,Beautiful Soup是python的一个库,最主要的功能是从网页抓取数据.官方解释如下: Beautiful Soup提供一些简单的.python式的函数用来处理导航.搜索 ...
- crawler碎碎念4 关于python requests、Beautiful Soup库、SQLlite的基本操作
Requests import requests from PIL import Image from io improt BytesTO import jason url = "..... ...
随机推荐
- 彻底理解volatile关键字
1. volatile简介 在上一篇文章中我们深入理解了java关键字,我们知道在java中还有一大神器就是关键volatile,可以说是和synchronized各领风骚,其中奥妙,我们来共同探讨下 ...
- executeFind()方法和execute()方法区别
返回类型不同:executeFind()方法返回集合,execute()方法返回对象 executeFind @Override public List<TCpContact> getCp ...
- jQuery实现数字时钟
运行效果: 源代码: 1 <!DOCTYPE html> 2 <html lang="zh"> 3 <head> 4 <meta char ...
- 【c++】容器的基本操作
操作\容器 vector list string set stack queue map 插入 push_bcak().insert() push_back() .push_front().inser ...
- 如何利用MHA+ProxySQL实现读写分离和负载均衡
摘要:本文分享一下"MHA+中间件ProxySQL"如何来实现读写分离+负载均衡的相关知识. 本文分享自华为云社区<MySQL高可用架构MHA+ProxySQL实现读写分离和 ...
- git远程建立仓库后,将本地项目推到远程报错 fatal: refusing to merge unrelated histories
出现这个问题的最主要原因还是在于本地仓库和远程仓库实际上是独立的两个仓库,假如之前是直接clone的方式在本地仓库就不会有这个问题了. 解决方式是在命令后紧跟 --allow-unrelated-hi ...
- 小程序 text标签内的文字竖着排列
html: <view><text>活动规则</text></view> css: view { height: 135rpx; wid ...
- python基础练习题(题目 学习使用auto定义变量的用法)
day28 --------------------------------------------------------------- 实例042:变量作用域 题目 学习使用auto定义变量的用法 ...
- 超越iTerm! 号称下一代终端神器,功能贼强大!
程序员的一生,用的最多的两个工具,一个是代码编辑器(Code Editor),另外一个就是命令行终端工具(Terminal).这两个工具对于提高开发效率至关重要. 代码编辑器在过去的 40 年里不断进 ...
- pwn 之 沙箱机制
0x00: 简介 沙箱机制,英文sandbox,是计算机领域的虚拟技术,常见于安全方向.一般说来,我们会将不受信任的软件放在沙箱中运行,一旦该软件有恶意行为,则禁止该程序的进一步运行,不会对真实系统造 ...