python 爬虫 之BeautifulSoup
BeautifulSoup是一个模块，该模块用于接收一个HTML或XML字符串，然后将其进行格式化，之后便可以使用他提供的方法进行快速查找指定元素，从而使得在HTML或XML中查找指定元素变得简单。
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
|
from bs4 import BeautifulSouphtml_doc = """<html><head><title>The Dormouse's story</title></head><body>asdf <div class="title"> <b>The Dormouse's story总共</b> <h1>f</h1> </div><div class="story">Once upon a time there were three little sisters; and their names were <a class="sister0" id="link1">Els<span>f</span>ie</a>, <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;and they lived at the bottom of a well.</div>ad<br/>sf<p class="story">...</p></body></html>"""soup = BeautifulSoup(html_doc, features="lxml")# 找到第一个a标签tag1 = soup.find(name='a')# 找到所有的a标签tag2 = soup.find_all(name='a')# 找到id＝link2的标签tag3 = soup.select('#link2') |
安装：
|
1
|
pip3 install beautifulsoup4 |
使用示例：
|
1
2
3
4
5
6
7
8
9
10
11
|
from bs4 import BeautifulSouphtml_doc = """<html><head><title>The Dormouse's story</title></head><body> ...</body></html>"""soup = BeautifulSoup(html_doc, features="lxml") |
一：对象种类
（1）Tag
标记
soup对象本身比较特殊，它的name为[document]，对于其他内部标记，输出的值为标记本身的名称
抽取title: print soup.title
抽取a : print soup.a
抽取p : print soup.a
Tag不仅可以获取name ，还可以修改name
soup.title.name = 'mytitle'
属性
print soup.p['class']
print soup.p.get('class')
(2)NavigableString
获取标记内部的文字
print soup.p.string
转换成unicode字符串
unicode_string = unicode(soup.p.string)
(3 )BeautifulSoup
BeautifulSoup 对象表示的是一个文档的全部内容.大部分时候,可以把它当作 Tag 对象，是一个特殊的 Tag，我们可以分别获取它的类型，名称，以及属性来感受一下
print type(soup.name)
(4)Comment
Comment 对象是一个特殊类型的 NavigableString 对象，其实输出的内容仍然不包括注释符号
三：
遍历文档数：
(1)子节点
要点：.contents .children 属性
tag 的 .content 属性可以将tag的子节点以列表的方式输出
|
1
2
|
print soup.head.contents
#[<title>The Dormouse's story</title>]
|
输出方式为列表，我们可以用列表索引来获取它的某一个元素
|
1
2
|
print soup.head.contents[0]
#<title>The Dormouse's story</title>
|
.children
它返回的不是一个 list，不过我们可以通过遍历获取所有子节点。
我们打印输出 .children 看一下，可以发现它是一个 list 生成器对象
|
1
2
|
print soup.head.children
#<listiterator object at 0x7f71457f5710>
|
我们怎样获得里面的内容呢？很简单，遍历一下就好了，代码及结果如下
|
1
2
|
for child in soup.body.children:
print child
|
|
1
2
3
4
5
|
<p class="title" name="dromouse"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>,
<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
|
（2）父节点
它返回的不是一个 list，不过我们可以通过遍历获取所有子节点。
我们打印输出 .children 看一下，可以发现它是一个 list 生成器对象
|
1
2
|
print soup.head.children
#<listiterator object at 0x7f71457f5710>
|
我们怎样获得里面的内容呢？很简单，遍历一下就好了，代码及结果如下
|
1
2
|
for child in soup.body.children:
print child
|
|
1
2
3
4
5
|
<p class="title" name="dromouse"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>,
<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and
|
（2）所有子孙节点
1. name，标签名称
1 # tag = soup.find('a')
2 # name = tag.name # 获取
3 # print(name)
4 # tag.name = 'span' # 设置
5 # print(soup)
2. attr，标签属性
1 # tag = soup.find('a')
2 # attrs = tag.attrs # 获取
3 # print(attrs)
4 # tag.attrs = {'ik':123} # 设置
5 # tag.attrs['id'] = 'iiiii' # 设置
6 # print(soup)
3. children,所有子标签
1 # body = soup.find('body')
2 # v = body.children
4. descendants,所有子子孙孙标签
1 # body = soup.find('body')
2 # v = body.descendants
5. clear,将标签的所有子标签全部清空（保留标签名）
1 # tag = soup.find('body')
2 # tag.clear()
3 # print(soup)
6. decompose,递归的删除所有的标签
1 # body = soup.find('body')
2 # body.decompose()
3 # print(soup)
7. extract,递归的删除所有的标签，并获取删除的标签
1 # body = soup.find('body')
2 # v = body.extract()
3 # print(soup)
8. decode,转换为字符串（含当前标签）；decode_contents（不含当前标签）
1 # body = soup.find('body')
2 # v = body.decode()
3 # v = body.decode_contents()
4 # print(v)
9. encode,转换为字节（含当前标签）；encode_contents（不含当前标签）
1 # body = soup.find('body')
2 # v = body.encode()
3 # v = body.encode_contents()
4 # print(v)
10. find,获取匹配的第一个标签
1 # tag = soup.find('a')
2 # print(tag)
3 # tag = soup.find(name='a', attrs={'class': 'sister'}, recursive=True, text='Lacie')
4 # tag = soup.find(name='a', class_='sister', recursive=True, text='Lacie')
5 # print(tag)
11. find_all,获取匹配的所有标签
1 # tags = soup.find_all('a')
2 # print(tags)
3
4 # tags = soup.find_all('a',limit=1)
5 # print(tags)
6
7 # tags = soup.find_all(name='a', attrs={'class': 'sister'}, recursive=True, text='Lacie')
8 # # tags = soup.find(name='a', class_='sister', recursive=True, text='Lacie')
9 # print(tags)
10
11
12 # ####### 列表 #######
13 # v = soup.find_all(name=['a','div'])
14 # print(v)
15
16 # v = soup.find_all(class_=['sister0', 'sister'])
17 # print(v)
18
19 # v = soup.find_all(text=['Tillie'])
20 # print(v, type(v[0]))
21
22
23 # v = soup.find_all(id=['link1','link2'])
24 # print(v)
25
26 # v = soup.find_all(href=['link1','link2'])
27 # print(v)
28
29 # ####### 正则 #######
30 import re
31 # rep = re.compile('p')
32 # rep = re.compile('^p')
33 # v = soup.find_all(name=rep)
34 # print(v)
35
36 # rep = re.compile('sister.*')
37 # v = soup.find_all(class_=rep)
38 # print(v)
39
40 # rep = re.compile('http://www.oldboy.com/static/.*')
41 # v = soup.find_all(href=rep)
42 # print(v)
43
44 # ####### 方法筛选 #######
45 # def func(tag):
46 # return tag.has_attr('class') and tag.has_attr('id')
47 # v = soup.find_all(name=func)
48 # print(v)
49
50
51 # ## get,获取标签属性
52 # tag = soup.find('a')
53 # v = tag.get('id')
54 # print(v)
12. has_attr,检查标签是否具有该属性
1 # tag = soup.find('a')
2 # v = tag.has_attr('id')
3 # print(v)
13. get_text,获取标签内部文本内容
1 # tag = soup.find('a')
2 # v = tag.get_text('id')
3 # print(v)
14. index,检查标签在某标签中的索引位置
1 # tag = soup.find('body')
2 # v = tag.index(tag.find('div'))
3 # print(v)
4
5 # tag = soup.find('body')
6 # for i,v in enumerate(tag):
7 # print(i,v)
15. is_empty_element,是否是空标签(是否可以是空)或者自闭合标签，
判断是否是如下标签：'br' , 'hr', 'input', 'img', 'meta','spacer', 'link', 'frame', 'base'
1 # tag = soup.find('br')
2 # v = tag.is_empty_element
3 # print(v)
16. 当前的关联标签
1 # soup.next
2 # soup.next_element
3 # soup.next_elements
4 # soup.next_sibling
5 # soup.next_siblings
6
7 #
8 # tag.previous
9 # tag.previous_element
10 # tag.previous_elements
11 # tag.previous_sibling
12 # tag.previous_siblings
13
14 #
15 # tag.parent
16 # tag.parents
17. 查找某标签的关联标签
1 # tag.find_next(...)
2 # tag.find_all_next(...)
3 # tag.find_next_sibling(...)
4 # tag.find_next_siblings(...)
5
6 # tag.find_previous(...)
7 # tag.find_all_previous(...)
8 # tag.find_previous_sibling(...)
9 # tag.find_previous_siblings(...)
10
11 # tag.find_parent(...)
12 # tag.find_parents(...)
13
14 # 参数同find_all
18. select,select_one, CSS选择器
1 soup.select("title")
2
3 soup.select("p nth-of-type(3)")
4
5 soup.select("body a")
6
7 soup.select("html head title")
8
9 tag = soup.select("span,a")
10
11 soup.select("head > title")
12
13 soup.select("p > a")
14
15 soup.select("p > a:nth-of-type(2)")
16
17 soup.select("p > #link1")
18
19 soup.select("body > a")
20
21 soup.select("#link1 ~ .sister")
22
23 soup.select("#link1 + .sister")
24
25 soup.select(".sister")
26
27 soup.select("[class~=sister]")
28
29 soup.select("#link1")
30
31 soup.select("a#link2")
32
33 soup.select('a[href]')
34
35 soup.select('a[href="http://example.com/elsie"]')
36
37 soup.select('a[href^="http://example.com/"]')
38
39 soup.select('a[href$="tillie"]')
40
41 soup.select('a[href*=".com/el"]')
42
43
44 from bs4.element import Tag
45
46 def default_candidate_generator(tag):
47 for child in tag.descendants:
48 if not isinstance(child, Tag):
49 continue
50 if not child.has_attr('href'):
51 continue
52 yield child
53
54 tags = soup.find('body').select("a", _candidate_generator=default_candidate_generator)
55 print(type(tags), tags)
56
57 from bs4.element import Tag
58 def default_candidate_generator(tag):
59 for child in tag.descendants:
60 if not isinstance(child, Tag):
61 continue
62 if not child.has_attr('href'):
63 continue
64 yield child
65
66 tags = soup.find('body').select("a", _candidate_generator=default_candidate_generator, limit=1)
67 print(type(tags), tags)
19. 标签的内容
1 # tag = soup.find('span')
2 # print(tag.string) # 获取
3 # tag.string = 'new content' # 设置
4 # print(soup)
5
6 # tag = soup.find('body')
7 # print(tag.string)
8 # tag.string = 'xxx'
9 # print(soup)
10
11 # tag = soup.find('body')
12 # v = tag.stripped_strings # 递归内部获取所有标签的文本
13 # print(v)
20.append在当前标签内部追加一个标签
1 # tag = soup.find('body')
2 # tag.append(soup.find('a'))
3 # print(soup)
4 #
5 # from bs4.element import Tag
6 # obj = Tag(name='i',attrs={'id': 'it'})
7 # obj.string = '我是一个新来的'
8 # tag = soup.find('body')
9 # tag.append(obj)
10 # print(soup)
21.insert在当前标签内部指定位置插入一个标签
1 # from bs4.element import Tag
2 # obj = Tag(name='i', attrs={'id': 'it'})
3 # obj.string = '我是一个新来的'
4 # tag = soup.find('body')
5 # tag.insert(2, obj)
6 # print(soup)
22. insert_after,insert_before 在当前标签后面或前面插入
1 # from bs4.element import Tag
2 # obj = Tag(name='i', attrs={'id': 'it'})
3 # obj.string = '我是一个新来的'
4 # tag = soup.find('body')
5 # # tag.insert_before(obj)
6 # tag.insert_after(obj)
7 # print(soup)
23. replace_with 在当前标签替换为指定标签
1 # from bs4.element import Tag
2 # obj = Tag(name='i', attrs={'id': 'it'})
3 # obj.string = '我是一个新来的'
4 # tag = soup.find('div')
5 # tag.replace_with(obj)
6 # print(soup)
24. 创建标签之间的关系（但不会改变标签的位置）
1 # tag = soup.find('div')
2 # a = soup.find('a')
3 # tag.setup(previous_sibling=a)
4 # print(tag.previous_sibling)
25. wrap，将指定标签把当前标签包裹起来
1 # from bs4.element import Tag
2 # obj1 = Tag(name='div', attrs={'id': 'it'})
3 # obj1.string = '我是一个新来的'
4 #
5 # tag = soup.find('a')
6 # v = tag.wrap(obj1)
7 # print(soup)
8
9 # tag = soup.find('a')
10 # v = tag.wrap(soup.find('p'))
11 # print(soup)
26. unwrap，去掉当前标签，将保留其包裹的标签
1 # tag = soup.find('a')
2 # v = tag.unwrap()
3 # print(soup)
转载自：
http://www.cnblogs.com/wupeiqi/articles/6283017.html
python 爬虫 之BeautifulSoup的更多相关文章
- 使用Python爬虫库BeautifulSoup遍历文档树并对标签进行操作详解（新手必学）
为大家介绍下Python爬虫库BeautifulSoup遍历文档树并对标签进行操作的详细方法与函数下面就是使用Python爬虫库BeautifulSoup对文档树进行遍历并对标签进行操作的实例,都是最 ...
- Python爬虫——用BeautifulSoup、python-docx爬取廖雪峰大大的教程为word文档
版权声明:本文为博主原创文章,欢迎转载,并请注明出处.联系方式:460356155@qq.com 廖雪峰大大贡献的教程写的不错,写了个爬虫把教程保存为word文件,供大家方便下载学习:http://p ...
- 【Python爬虫】BeautifulSoup网页解析库
BeautifulSoup 网页解析库 阅读目录 初识Beautiful Soup Beautiful Soup库的4种解析器 Beautiful Soup类的基本元素 基本使用 标签选择器 节点操作 ...
- Python爬虫之BeautifulSoup的用法
之前看静觅博客,关于BeautifulSoup的用法不太熟练,所以趁机在网上搜索相关的视频,其中一个讲的还是挺清楚的:python爬虫小白入门之BeautifulSoup库,有空做了一下笔记: 一.爬 ...
- Python爬虫系列-BeautifulSoup详解
安装 pip3 install beautifulsoup4 解析库 解析器 使用方法 优势 劣势 Python标准库 BeautifulSoup(markup,'html,parser') Pyth ...
- Python爬虫之Beautifulsoup模块的使用
一 Beautifulsoup模块介绍 Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Be ...
- Python 爬虫—— requests BeautifulSoup
本文记录下用来爬虫主要使用的两个库.第一个是requests,用这个库能很方便的下载网页,不用标准库里面各种urllib:第二个BeautifulSoup用来解析网页,不然自己用正则的话很烦. req ...
- 通过哪吒动漫豆瓣影评，带你分析python爬虫与BeautifulSoup快速入门【华为云技术分享】
久旱逢甘霖 西安连着几天温度排行全国三甲,也许是<哪吒之魔童降世>的剧组买通了老天,从踩着风火轮的小朋友首映开始,就全国性的持续高温,还好今天凌晨的一场暴雨,算是将大家从中暑边缘拯救回来了 ...
- python爬虫之BeautifulSoup
爬虫有时候写正则表达式会有假死现象 就是正则表达式一直在进行死循环查找 例如:https://social.msdn.microsoft.com/forums/azure/en-us/3f4390ac ...
- python爬虫入门--beautifulsoup
1,beautifulsoup的中文文档:https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/ 2, from bs4 import Be ...
随机推荐
- sql查询报错：Every derived table must have its own alias
执行sql语句出现语法错误 Every derived table must have its own alias 翻译:每个派生表都有自己的别名
- mathjax
MathJax.Hub.Typeset() method. This will cause the preprocessors (if any were loaded) to run over the ...
- pandas.resample()
http://www.cnblogs.com/hhh5460/p/5596340.html resample与groupby的区别:resample:在给定的时间单位内重取样groupby:对给定的数 ...
- Zookeeper启动Permission denied
Zookeeper 查询状态,出现如下问题: JMX enabled by default Using config: /usr/zookeeper/zookeeper-/bin/../conf/zo ...
- 每天一个Linux命令（11）nl命令
nl命令读取 file 参数(缺省情况下标准输入),计算输入中的行号,将计算过的行号写入标准输出. 其默认的结果与cat -n有点不太一样, nl 可以将行号做比较多的显示设计,包括位数与是否自动补齐 ...
- .net序列化与反序列化——提供多次存储对象集后读取不完全解决方案
||问题: 文本文档读取序列化文件时只能读取第一次序列化对象或对象集,而多次序列化存到同一个文本文件中不能完全读取.最近做一个简单的学生管理系统,涉及到多次将学生对象序列化后追加存储到同一个文档中.在 ...
- AC自动机的一点理解
\(fail\)指针:指向最长的在\(tire\)里出现的后缀 比\(tire\)多出来的子边:原来的\(tire\),我们失配后又得返回根结点再次匹配,而加入这些边后只需要花\(strlen(s)\ ...
- Delphi 的进制转换
1.10进制转16进制 intTohex(10,4); //第一个参数为要转换的数据,第二个参数为要转换后的16进制位数:得到:000A; 2. 16进制转10进制 strToInt('$'+'64 ...
- codeforces 154A 贪心
贪心 题目自身限制每个字母最多出现在一个限制词语中,给出k个限制词语,将问题转化为k个子问题,对每个限制词语遍历给出的字符串,如限制词do,若出现连续的oddoood(连续的o和d),统计o和d出现的 ...
- SrpingCloud 之SrpingCloud config分布式配置中心搭建
1.搭建git环境 目的:持久化存储配置文件信息 采用码云 创建后 继续创建文件夹 用来区分不同的项目 下面就是git上存放配置文件了.环境的区分 dev sit pre prd 开发 ...