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

  1. 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 ...

  2. 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. ...

  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 ...

  4. 【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 ...

  5. 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 ...

  6. 【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 ...

  7. 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 ...

  8. 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 ...

  9. 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

  1. 移动端的vw px rem之间换算

    一.vw px rem em是什么 1.vw:就是相对视口宽度(Viewport Width).1vw = 1% * 视口宽度.也就是说,一个视口就是100vw. 2.px:px应该是在css中使用最 ...

  2. mysql获取表的列名

    DESC test4 SHOW COLUMNS FROM test4 SELECT COLUMN_NAME  FROM information_schema.columns WHERE table_n ...

  3. HTML 和 form 表单常用标签

    HTML和CSS 常用标签: p:段落,自动换行 span:和div类似,但是默认不换行 br:换行 hr:分割线 h1-h6:标题标签 a:超链接 瞄点:通过给a链接设置#XX作为链接,给需要链接的 ...

  4. audio小记

    写H5活动页的需要音频,图标旋转停止保持当时的旋转角度,这样视觉体验效果好: 之前写法是点击pause()就直接停止动画,后来发现了animation有个比较好的属性animation-play-st ...

  5. 【转】shim.ChaincodeStubInterface用法

    作为记录 shim.ChaincodeStubInterface用法

  6. LibreOffice（开源免费办公软件）

    LibreOffice(开源免费办公软件) 官方地址 中文网站:https://zh-cn.libreoffice.org/ 下载地址: https://zh-cn.libreoffice.org/d ...

  7. ip地址后面斜杠加数字的含义

    案例如:10.121.246.8/29 1.概念: 首先这是一种划分ip的表示方式,叫做无分类域间路由选择(CIDR),区分于传统的划分ip方式(分类的ip划分,在这之后提出了划分子网,即将主机号借出 ...

  8. MPU9250/MPU6050与运动数据处理与卡尔曼滤波（1）

    第一篇--概述和MPU6050及其自带的DMP输出四元数 概述 InvenSense(国内一般译为应美盛)公司产的数字运动传感器在国内非常流行,我用过它的两款,9250和6050.出于被国产芯片惯坏的 ...

  9. Codeforces Round #704 (Div. 2), problem: (C) Maximum width还是要多学习

    Problem - C - Codeforces 看清题目要求, 最重要部分在第二段. 大佬最后给出的代码果然简单, 思路简单化, 未必非要把答案在一个大括号里全部完成, 两个指针同时跑,中间加了一堆 ...

  10. Codeforces Round #753 (Div. 3), problem: (D) Blue-Red Permutation

    还是看大佬的题解吧 CFRound#753(Div.3)A-E(后面的今天明天之内补) - 知乎 (zhihu.com) 传送门  Problem - D - Codeforces 题意 n个数字,n ...