一、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.Beautiful Soup 3 目前已经停止开发,官网推荐在现在的项目中使用Beautiful Soup 4, 移植到BS4

1、安装 Beautiful Soup

pip3 install beautifulsoup4

基本使用

from bs4 import BeautifulSoup  # 导入BeautifulSoup

# html.parser内置标准库，不需要安装第三方模块，速度慢

soup=BeautifulSoup(res.text,'html.parser')  实例化得到对象

# 安装第三方库解析器

pip3 install lxml

soup=BeautifulSoup(res.text,'lxml')  实例化得到对象

中文文档

2、bs4的使用

文档模板

html_doc = """

<html><head><title>The Dormouse's story</title></head>

<body>

<p id="my_p" class="title">hello<b id="bbb" class="boldest">The Dormouse's story</b>

</p>

<p class="story">Once upon a time there were three little sisters; and their names were

<a href="http://example.com/elsie" class="sister" id="link1">Elsie</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.</p>

<p class="story">...</p>

import requests

from bs4 import BeautifulSoup

soup=BeautifulSoup(html_doc,'lxml')        # 文档字符串内容丢进去解析，第二个参数选择解析器

soup=BeautifulSoup(open('a.html'),'lxml')  # 如果是一个文件，要open才能解析

print(soup.prettify())                     # 美化文档

二、遍历文档树

遍历文档树：即直接通过标签名字选择，特点是选择速度快，但如果存在多个相同的标签则只返回第一个

1、用法

head=soup.head

print(head)

2、获取标签的名称

head=soup.head

print(head.name)

3、获取标签的属性(重点)

p=soup.p        # 直接找p标签，跟p=soup.find('p')等价，速度慢一点

p=soup.body.p   # 遍历是从根上找，速度更快

print(p.attrs)  # attrs拿出标签所有属性以字典形式，如{'id':'my_p', 'class':['title]}，其中class属性可能有多个，即便有一个也放到列表中

# 支持三种方式取出属性中class的值，取出来是个列表

print(p.attrs.get('class'))

print(p['class'])

print(p.get('class'))

4、获取标签的内容

p=soup.body.p

print(p.text)           # text会取该标签以及它下的子孙标签的文本内容，拼到一起

print(p.content)        # 获取标签的二进制内容

print(p.string)         # p标签自己内部有文本，则取到，否则为None;这个文本不能是子孙标签里的文本

print(p.strings)        # 怕p标签下的文本太多，把所有内容放到生成器里

print(list(p.strings))  # list遍历生成器，取出p标签下所有内容

5、嵌套选择(重点)

a=soup.body.a

print(a.get('id'))

6、子节点、子孙节点(不用)

print(soup.p.contents)       # p下所有子节点(包含了文本内容)

print(soup.p.children)       # 得到一个迭代器,包含p下所有子节点

print(list(soup.p.children)) # list遍历迭代器，取出p标签下所有子孙节点

7、父节点、祖先节点(不用)

print(soup.a.parent)         # 获取a标签的父节点(只有一个)

print(soup.a.parents)        # 得到一个生成器,包含a标签所有的祖先节点

print(list(soup.a.parents))  # list遍历，取出a标签所有最先节点

8、兄弟节点(不用)

print(soup.a.next_sibling)             # 紧邻的下一个兄弟

print(soup.a.previous_sibling)         # 紧邻的上一个兄弟

print(list(soup.a.next_siblings))      #下面的兄弟们=>生成器对象

print(list(soup.a.previous_siblings))  #上面的兄弟们=>生成器对象

# 重点：取标签名，取属性值，嵌套选择

三、搜索文档树(过滤)

1、两种主要搜索方式

find()      # 只返回找到的第一个

find_all()  # 返回找到的所有

find_all()的两个参数

# limit(限制查找的条数)

# 有name的标签，只要第一条，相当于find，唯一的区别是 find_all() 方法的返回结果是包含一个元素的列表,而 find() 方法直接返回结果

# find_all() 方法没有找到目标是返回空列表, find() 方法找不到目标时,返回 None

res=soup.find_all(name=True,limit=1)

print(res) 

# recursive（recursive默认True，递归查找，找子子孙孙），不用递归查找速度快点

res=soup.body.find_all(name='b',recursive=False)  # 从body往下找，不递归，找不到b标签

res=soup.body.find_all(name='b',recursive=True)   # 递归查找可以找到b标签

res=soup.body.find_all(name='p',recursive=False)  # 从body往下找，不递归，可以找到p标

print(res)


2、五种过滤器：字符串、正则表达式、列表、True、方法

2.1、字符串过滤，，过滤条件name/id/attrs/text(文档内容)，过滤内容是字符串

res=soup.find_all(text='The Dormouse's story')       # 按文档内容找标签

res=soup.find(name='a')                              # 按标签名字查找

res=soup.find(id='my_p')                             # 按id查找

res=soup.find(class_='story')                        # 按属性查找，class属性关键字冲突，要用class_

res=soup.find(href='http://example.com/elsie')       # 按属性查找

res=soup.find(attrs={'id':'my_p'})                   # attrs是所有属性，按照属性的key:val查找

res=soup.find(attrs={'class':'story'})

print(res)

# 过滤条件是and关系，可以soup.find(name='a', id='my_p')

2.2、正则表达式，过滤条件name/id/attrs/text，过滤内容是正则表达式

import re

re_b=re.compile('^b')  # 预编译正则表达式

res=soup.find(name=re_b)                  # 查找标签名字是b开头的，返回一个

res=soup.find_all(name=re_b)              # 查找标签名字是b开头的所有标签

res=soup.find_all(id=re.compile('^l'))    # 查找id是l开头的所有的标签

print(res)

2.3、列表，过滤条件name/id/attrs/text，过滤内容是列表，用来查找所有

res=soup.find_all(name=['body','b'])          # 查找名字是body和b的标签

res=soup.find_all(class_=['sister','title'])  # 查找class属性是'sister','title'的标签

print(res)

2.4、布尔，过滤条件name/id/attrs，过滤内容是Ture/False，用来查所有

res=soup.find_all(id=True)    # 查找所有带id的标签

res=soup.find_all(id=False)   # 查找所有不带id的标签

res=soup.find_all(href=True)  # 查找所有有href属性的标签，就把链接全部拿到了

print(res)

2.5、方法（了解） 自定义过滤内容

# 定义一个方法传入tag，返回有class属性没有id的标签

def has_class_but_no_id(tag):

	return tag.has_attr('class') and not tag.has_attr('id')

print(soup.find_all(has_class_but_no_id))


3、支持css选择器，不用find方法，而是用select方法；找出来的都放列表，即使一个也放列表

ret=soup.select('#my_p')                 # 查找id为my_p的标签

ret=soup.select('body p')                # 查找body下的子子孙孙所有的p标签

ret=soup.select('body>p')                # 只查找body下的儿子p标签，只到儿子节点

ret=soup.select('body>p')[0].text

ret=soup.select('body>p')[0].get_text()  # 两种方式都可以取出文本内容

print(ret)

CSS选择器参考

四、修改文档树

不仅可以修改name、id、class，还可以往html页面插入标签，插入内容

应用：有些java软件配置文件是xml格式的，可以用bs4来操作修改

目前软件的配置文件，主要是一下几种

# ini： 用configparser模块操作

# conf

# xml： 用bs4模块操作

# yaml格式

五、总结

1、推荐使用lxml解析库

2、讲了三种选择器:标签选择器,find与find_all，css选择器

    1、标签选择器筛选功能弱,但是速度快

    2、建议使用find,find_all查询匹配单个结果或者多个结果

    3、如果对css选择器非常熟悉建议使用select

3、记住常用的获取属性attrs和文本值get_text()的方法

解析库beautifulsoup的更多相关文章

  1. 爬虫----爬虫解析库Beautifulsoup模块

    一: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.Beautiful Soup会帮你 ...

  2. 爬虫解析库——BeautifulSoup

    解析库就是在爬虫时自己制定一个规则,帮助我们抓取想要的内容时用的.常用的解析库有re模块的正则.beautifulsoup.pyquery等等.正则完全可以帮我们匹配到我们想要住区的内容,但正则比较麻 ...

  3. 爬虫解析库BeautifulSoup的一些笔记

    BeautifulSoup类使用   基本元素 说明 Tag 标签,最基本的信息组织单元,分别是<>和</>标明开头和结尾 Name 标签的名字,<p></p ...

  4. 爬虫解析库beautifulsoup

    一.介绍 Beautiful Soup是一个可以从HTML或XML文件中提取数据的python库. #安装Beautiful Soup pip install beautifulsoup4 #安装解析 ...

  5. 解析库-beautifulsoup模块

    # -*- coding: utf-8 -*- from bs4 import BeautifulSoup # 安装:pip install beautifulsoup4 # Beautiful So ...

  6. 爬虫之解析库BeautifulSoup

    介绍 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.修改分析树等 ...

  7. BeautifulSoup解析库

    解析库 解析器 使用方法 优势 劣势 Python标准库 BeautifulSoup(html, 'html.parser') 速度适中,容错能力强 老版本python容错能力差 lxml HTML解 ...

  8. 爬虫 解析库re,Beautifulsoup,

    re模块 点我回顾 Beautifulsoup模块 #安装 Beautiful Soup pip install beautifulsoup4 #安装解析器 Beautiful Soup支持Pytho ...

  9. Python爬虫【解析库之beautifulsoup】

    解析库的安装 pip3 install beautifulsoup4 初始化 BeautifulSoup(str,"解析库") from bs4 import BeautifulS ...

随机推荐

  1. Note -「Dijkstra 求解 MCMF」

    食用前请先了解 SPFA + Dinic/EK 求解 MCMF. Sol. 总所周知,SPFA 牺牲了.于是我们寻求一些更稳定的算法求解 MCMF. 网络流算法的时间属于玄学,暂且判定为混乱中的稳定. ...

  2. 树莓派Raspiberry 编译Linux实时内核PREEMPT-RT 实战

    树莓派4B 实时内核(Preempt_RT)的配置和编译https://blog.csdn.net/zlp_zky/article/details/114994444 基本按照这个blog来操作. 几 ...

  3. Page和list的区别 mybatis

    先看一段代码 点击查看代码 @Override public Result findUserPage(PageParam pageParam) { Page<SysUser> page = ...

  4. DDL_操作数据库_创建&查询和DDL_操作数据库_修改&删除&使用

    DDL操作数据库.表 1.操作数据库:CRUD C(Create):创建 创建数据库: create database 数据库名称: 创建数据库判断不存在再创建 create database if ...

  5. 在半小时内从无到有开发并调试一款Chrome扩展（Chrome插件/谷歌浏览器插件）

    原文转载自「刘悦的技术博客」https://v3u.cn/a_id_120 就在不久之前,我们目前这个毕业班的班长那日同学和我说,他正在公司开发Chrome扩展,看起来很高大上的技术,实际开发却非常简 ...

  6. Eplan创建符号

    1.打开Eplan P8 ,新建一个名为"新项目"的项目,然后选择菜单"工具"----"主数据"-----"符号库"-- ...

  7. 深入理解Aarch64内存管理

    本文是对learn_the_architecture_-_aarch64_memory_management的部分翻译和个人注解.个人英文水平有限,若有翻译不当,欢迎加我私人微信LinuxDriver ...

  8. python推导式与海象运算符

    背景:介绍两种python用于语句优化的用法 一.推导式 1.推导式简介: Python 推导式是一种独特的数据处理方式,可以从一个数据序列构建另一个新的数据序列的结构体. 支持:列表(list).元 ...

  9. 用VS Code搞Qt6：至简窗口部件——QWidget

    在正题开始之前,老周照例扯点别的.嗯,咱们扯一下在 VS 2022 下结合 CMake 开发 Qt6 时的环境变量设置问题.在VS Code 中,通够通过 CMake Tools 扩展的配置来设置环境 ...

  10. Java SE 10 新增特性

    Java SE 10 新增特性 作者:Grey 原文地址:Java SE 10 新增特性 源码 源仓库: Github:java_new_features 镜像仓库: GitCode:java_new ...