跟着知识追寻者学BeautifulSoup,你学不会打不还口,骂不还手
一 前言
Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库;其强大的提取能力让知识追寻者放弃了使用正则匹配查找HTML节点;Beautifu Soup 其能直接通过HTML标签获取相应的节点,或者通过函数直接获得节点,大大提高了编程人员的开发效率;看完本篇学不会Beautiful Soup ,满天神佛都救不了你;觉得知识追寻者的文章有点意思,关注加点赞谢谢;
二 Beautiful Soup 简单使用
Beautiful Soup 的解释器如下:
解释器 | 使用示例 |
---|---|
Python标准库 | BeautifulSoup(markup, "html.parser") |
lxml HTML 解析器 | BeautifulSoup(markup, "lxml") |
lxml XML 解析器 | BeautifulSoup(markup, "xml") |
html5lib | BeautifulSoup(markup, "html5lib") |
本篇的解释器读者可以使用Python标准库或者lxml HTML 解析器都可以;下午中获取标签其实都是获取标签对象,读者谨记;
简要概括下属性的说明:
属性 | 含义 |
---|---|
soup.tag.name | 获取标签tag名称 |
soup.tag.string | 获取标签tag文本内容 |
soup.tag | 获取标签tag |
soup.tag.attrs | 获取标签tag所有属性 |
soup.tag.attrs['class'] | 获取标签指定class的属性 |
soup.tag1.tag2 | 获取子标签tag2 |
soup.tag.contents | 获取tag所有直接子标签以列表输出 |
soup.tag.children | 获取直接子标签,返回生成器 |
soup.tag.descendants | 获取所有子标签,返回生成器 |
soup.tag.parent | 获取直接父节点 |
soup.tag.parents | 获取祖先节点,返回生成器 |
soup.tag.next_sibling | 获取后一个兄弟节点 |
soup.tag.previous_sibling | 获取前一个兄弟节点 |
soup.tag.next_siblings | 获取后一个兄弟节点,返回生成器 |
soup.tag.previous_siblings | 获取前一个兄弟节点,返回生成器 |
2.1 格式化HTML
- 实例化一个Beautiful Soup 实例,入参是HTML,和html.parser
- 调用
prettify()
方法会格式化HTML文档
# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup
html = """
<div class="filter-box d-flex align-items-center">
<form action="" id=seeOriginal>
<dl class="filter-sort-box d-flex align-items-center">
<dt>排序:</dt>
<dd><a href="javascript:void(0);" data-report-query="" class="btn-filter-sort active" target="_self">默认</a></dd>
<dd><a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg class="icon" aria-hidden="true">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
</dd>
</dl>"""
# 初始化 soup
soup = BeautifulSoup(html,'html.parser')
print(soup.prettify())
输出结果下,是不是很美观,结构是不是很清楚;而且还补全了缺失的标签</form>
, </div>
;
<div class="filter-box d-flex align-items-center">
<form action="" id="seeOriginal">
<dl class="filter-sort-box d-flex align-items-center">
<dt>
排序:
</dt>
<dd>
<a class="btn-filter-sort active" data-report-query="" href="javascript:void(0);" target="_self">
默认
</a>
</dd>
<dd>
<a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg aria-hidden="true" class="icon">
<use xlink:href="#csdnc-rss">
</use>
</svg>
RSS订阅
</a>
</dd>
</dl>
</form>
</div>
2.2 获取标签节点
- 调用soup.dt 会直接获得第一个匹配到dt标签对象;
# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup
html = """
<div class="filter-box d-flex align-items-center">
<form action="" id=seeOriginal>
<dl class="filter-sort-box d-flex align-items-center">
<dt>排序:</dt>
<dd><a href="javascript:void(0);" data-report-query="" class="btn-filter-sort active" target="_self">默认</a></dd>
<dd><a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg class="icon" aria-hidden="true">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
</dd>
</dl>"""
# 初始化 soup
soup = BeautifulSoup(html,'html.parser')
# 输出节点 <dt>排序:</dt>
print(soup.dt)
2.3 获取节点文本
soup.dt.string 获得dt标签包含的内容;
# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup
html = """
<div class="filter-box d-flex align-items-center">
<form action="" id=seeOriginal>
<dl class="filter-sort-box d-flex align-items-center">
<dt>排序:</dt>
<dd><a href="javascript:void(0);" data-report-query="" class="btn-filter-sort active" target="_self">默认</a></dd>
<dd><a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg class="icon" aria-hidden="true">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
</dd>
</dl>"""
# 初始化 soup
soup = BeautifulSoup(html,'html.parser')
# 输出文本内容 排序:
print(soup.dt.string)
2.4获取节点名称
soup.dt.name 直接获得标签dt的名称;
# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup
html = """
<div class="filter-box d-flex align-items-center">
<form action="" id=seeOriginal>
<dl class="filter-sort-box d-flex align-items-center">
<dt>排序:</dt>
<dd><a href="javascript:void(0);" data-report-query="" class="btn-filter-sort active" target="_self">默认</a></dd>
<dd><a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg class="icon" aria-hidden="true">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
</dd>
</dl>"""
# 初始化 soup
soup = BeautifulSoup(html,'html.parser')
# 输出dt
print(soup.dt.name)
2.5 获得节点对象种类
直接获得标签后使用type方法可以显示出标签类型是 <class 'bs4.element.Tag'>
# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup
html = """
<div class="filter-box d-flex align-items-center">
<form action="" id=seeOriginal>
<dl class="filter-sort-box d-flex align-items-center">
<dt>排序:</dt>
<dd><a href="javascript:void(0);" data-report-query="" class="btn-filter-sort active" target="_self">默认</a></dd>
<dd><a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg class="icon" aria-hidden="true">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
</dd>
</dl>"""
# 初始化 soup
soup = BeautifulSoup(html,'html.parser')
dt = soup.dt
# <class 'bs4.element.Tag'>
print(type(dt))
2.6 获取所有属性
soup.a.attrs 获取匹配到第一个a标签的所有属性;
# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup
html = """
<div class="filter-box d-flex align-items-center">
<form action="" id=seeOriginal>
<dl class="filter-sort-box d-flex align-items-center">
<dt>排序:</dt>
<dd><a href="javascript:void(0);" data-report-query="" class="btn-filter-sort active" target="_self">默认</a></dd>
<dd><a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg class="icon" aria-hidden="true">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
</dd>
</dl>"""
# 初始化 soup
soup = BeautifulSoup(html,'html.parser')
print(soup.a.attrs)
输出默认匹配第一个a标签的全部属性
{'href': 'javascript:void(0);', 'data-report-query': '', 'class': ['btn-filter-sort', 'active'], 'target': '_self'}
2.7 获取特定属性
soup.a.attrs['href'],获取匹配到第一个a标签的href属性内容
# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup
html = """
<div class="filter-box d-flex align-items-center">
<form action="" id=seeOriginal>
<dl class="filter-sort-box d-flex align-items-center">
<dt>排序:</dt>
<dd><a href="javascript:void(0);" data-report-query="" class="btn-filter-sort active" target="_self">默认</a></dd>
<dd><a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg class="icon" aria-hidden="true">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
</dd>
</dl>"""
# 初始化 soup
soup = BeautifulSoup(html,'html.parser')
# 输出javascript:void(0);
print(soup.a.attrs['href'])
2.8 获取子节点
soup.form.dd 会获得form标签下第一个dd标签
# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup
html = """
<div class="filter-box d-flex align-items-center">
<form action="" id=seeOriginal>
<dl class="filter-sort-box d-flex align-items-center">
<dt>排序:</dt>
<dd><a href="javascript:void(0);" data-report-query="" class="btn-filter-sort active" target="_self">默认</a></dd>
<dd><a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg class="icon" aria-hidden="true">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
</dd>
</dl>"""
# 初始化 soup
soup = BeautifulSoup(html,'html.parser')
print(soup.form.dd)
输出
<dd><a class="btn-filter-sort active" data-report-query="" href="javascript:void(0);" target="_self">默认</a></dd>
2.9 获取所有直接子节点
soup.form.contents 将会以列表的形式输出form所有的子标签;
# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup
html = """
<div class="filter-box d-flex align-items-center">
<form action="" id=seeOriginal>
<dl class="filter-sort-box d-flex align-items-center">
<dt>排序:</dt>
<dd><a href="javascript:void(0);" data-report-query="" class="btn-filter-sort active" target="_self">默认</a></dd>
<dd><a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg class="icon" aria-hidden="true">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
</dd>
</dl>"""
# 初始化 soup
soup = BeautifulSoup(html,'html.parser')
print(soup.form.contents)
输出结果:
['\n', <dl class="filter-sort-box d-flex align-items-center">
<dt>排序:</dt>
<dd><a class="btn-filter-sort active" data-report-query="" href="javascript:void(0);" target="_self">默认</a></dd>
<dd><a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg aria-hidden="true" class="icon">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
</dd>
</dl>]
2.10 获取直接子节点生成器
soup.svg.children 会获得dd所有子节点的生成器;
# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup
html = """
<div class="filter-box d-flex align-items-center">
<form action="" id=seeOriginal>
<dl class="filter-sort-box d-flex align-items-center">
<dt>排序:</dt>
<dd><a href="javascript:void(0);" data-report-query="" class="btn-filter-sort active" target="_self">默认</a></dd>
<dd><a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg class="icon" aria-hidden="true">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
</dd>
</dl>"""
# 初始化 soup
soup = BeautifulSoup(html,'html.parser')
for index, child in enumerate(soup.svg.children):
print(index, child)
输出结果:
0
1 <use xlink:href="#csdnc-rss"></use>
2
2.11 获取所有子节点生成器
soup.dl.descendants 会获取dl 标签所有的子节点(more than direct child node),
# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup
html = """
<div class="filter-box d-flex align-items-center">
<form action="" id=seeOriginal>
<dl class="filter-sort-box d-flex align-items-center">
<dt>排序:</dt>
<dd><a href="javascript:void(0);" data-report-query="" class="btn-filter-sort active" target="_self">默认</a></dd>
<dd><a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg class="icon" aria-hidden="true">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
</dd>
</dl>"""
# 初始化 soup
soup = BeautifulSoup(html,'html.parser')
for index, child in enumerate(soup.dl.descendants):
print(index, child)
输出结果:
0
1 <dt>排序:</dt>
2 排序:
3
4 <dd><a class="btn-filter-sort active" data-report-query="" href="javascript:void(0);" target="_self">默认</a></dd>
5 <a class="btn-filter-sort active" data-report-query="" href="javascript:void(0);" target="_self">默认</a>
6 默认
7
8 <dd><a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg aria-hidden="true" class="icon">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
</dd>
9 <a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg aria-hidden="true" class="icon">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
10
11 <svg aria-hidden="true" class="icon">
<use xlink:href="#csdnc-rss"></use>
</svg>
12
13 <use xlink:href="#csdnc-rss"></use>
14
15 RSS订阅
16
17
2.12 获取直接父节点
soup.a.parent 或获取第一个匹配到a标签的父标签对象;
# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup
html = """
<div class="filter-box d-flex align-items-center">
<form action="" id=seeOriginal>
<dl class="filter-sort-box d-flex align-items-center">
<dt>排序:</dt>
<dd><a href="javascript:void(0);" data-report-query="" class="btn-filter-sort active" target="_self">默认</a></dd>
<dd><a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg class="icon" aria-hidden="true">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
</dd>
</dl>"""
# 初始化 soup
soup = BeautifulSoup(html,'html.parser')
print(soup.a.parent)
输出结果:
<dd><a class="btn-filter-sort active" data-report-query="" href="javascript:void(0);" target="_self">默认</a></dd>
2.13 获取祖先节点生成器
soup.a.parents 会获得第一个匹配到a标签的所有父节点,也就是祖先节点,返回生成器;
# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup
html = """
<div class="filter-box d-flex align-items-center">
<form action="" id=seeOriginal>
<dl class="filter-sort-box d-flex align-items-center">
<dt>排序:</dt>
<dd><a href="javascript:void(0);" data-report-query="" class="btn-filter-sort active" target="_self">默认</a></dd>
<dd><a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg class="icon" aria-hidden="true">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
</dd>
</dl>"""
# 初始化 soup
soup = BeautifulSoup(html,'html.parser')
for node in soup.a.parents:
if node is None:
print(node)
else:
print(node.name)
输出结果:
dd
dl
form
div
[document]
2.14 获取兄弟节点
兄弟节点有个坑,通常是返回空白,就不做过多讲解
# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup
html = """
<div class="filter-box d-flex align-items-center">
<form action="" id=seeOriginal>
<dl class="filter-sort-box d-flex align-items-center">
<dt>排序:</dt>
<dd><a href="javascript:void(0);" data-report-query="" class="btn-filter-sort active" target="_self">默认</a></dd>
<dd><a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg class="icon" aria-hidden="true">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
</dd>
</dl>"""
# 初始化 soup
soup = BeautifulSoup(html,'html.parser')
print(soup.dt.next_sibling)
输出是空白;其它兄弟节点属性就不写了,感觉没啥意义,不是空白就是None;
三 搜索文档
学完第二节内容,读者们其实就是打了个基础,重点是这章节;
函数 | 含义 |
---|---|
find_all(name=None, attrs={}, recursive=True, text=None, limit=None, **kwargs) | 查找所有匹配节点 |
find(name=None, attrs={}, recursive=True, text=None, **kwargs) | 查找第一个匹配节点 |
find_parent(name=None, attrs={}, **kwargs) | 返回当前节点的父辈节 |
find_parents(name=None, attrs={}, **kwargs) | 返回当前节点的祖先节点 |
find_next_sibling(name=None, attrs={}, text=None, **kwargs) | 返回符合条件的后面的第一个tag节点 |
find_next_siblings(name=None, attrs={}, text=None, **kwargs) | 返回所有符合条件的后面的兄弟节点 |
find_previous_sibling(self, name=None, attrs={}, text=None, **kwargs) | 返回第一个符合条件的前面的兄弟节点 |
find_previous_siblings(self, name=None, attrs={}, text=None, **kwargs) | 返回所有符合条件的前面的兄弟节点 |
find_next(name=None, attrs={}, text=None, **kwargs) | 返回第一个符合条件的节点 |
find_all_next(name=None, attrs={}, text=None, limit=None, **kwargs) | 返回所有符合条件的节点 |
find_previous(name=None, attrs={}, text=None, **kwargs) | 返回第一个符合条件的节点 |
find_all_previousname=None, attrs={}, text=None, limit=None, **kwargs) | 返回所有符合条件的节点 |
- name 表示输出的tag名称
- attrs 表示指定属性查找
- recursive 表示是否递归所有子节点,默认是;设置为false返回直接子节点
- limit 表示 限制 输出数量
- **kwargs 可以指定经常出现的属性搜索,比如 id = 'zszxz'
- text 是过滤条件
本节着重讲解find_all方法,find方法于find_all一致,学一个就会用另一个;
3.1 name参数示例
soup.find_all(name='dd') 会获得所有dd标签对象,并且返回列表;
# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup
html = """
<div class="filter-box d-flex align-items-center">
<form action="" id=seeOriginal>
<dl class="filter-sort-box d-flex align-items-center">
<dt>排序:</dt>
<dd><a href="javascript:void(0);" data-report-query="" class="btn-filter-sort active" target="_self">默认</a></dd>
<dd><a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg class="icon" aria-hidden="true">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
</dd>
</dl>"""
# 初始化 soup
soup = BeautifulSoup(html,'html.parser')
print(soup.find_all(name='dd'))
输出结果
[<dd><a class="btn-filter-sort active" data-report-query="" href="javascript:void(0);" target="_self">默认</a></dd>, <dd><a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg aria-hidden="true" class="icon">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
</dd>]
注:soup.find_all(name='dd') 与 soup.find_all('dd') 一致;
3.2 attrs 属性示例
soup.find_all(attrs={'id':'seeOriginal'}) 获取 属性 id = seeOriginal 所有标签对象
# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup
html = """
<div class="filter-box d-flex align-items-center">
<form action="" id=seeOriginal>
<dl class="filter-sort-box d-flex align-items-center">
<dt>排序:</dt>
<dd><a href="javascript:void(0);" data-report-query="" class="btn-filter-sort active" target="_self">默认</a></dd>
<dd><a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg class="icon" aria-hidden="true">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
</dd>
</dl>"""
# 初始化 soup
soup = BeautifulSoup(html,'html.parser')
print(soup.find_all(attrs={'id':'seeOriginal'}))
输出
[<form action="" id="seeOriginal">
<dl class="filter-sort-box d-flex align-items-center">
<dt>排序:</dt>
<dd><a class="btn-filter-sort active" data-report-query="" href="javascript:void(0);" target="_self">默认</a></dd>
<dd><a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg aria-hidden="true" class="icon">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
</dd>
</dl></form>]
3.3 recursive 示例
soup.find_all('dl',recursive=False)
会查找dl标签子节点,当recursive 设置为False之后就找不到了;
# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup
html = """
<div class="filter-box d-flex align-items-center">
<form action="" id=seeOriginal>
<dl class="filter-sort-box d-flex align-items-center">
<dt>排序:</dt>
<dd><a href="javascript:void(0);" data-report-query="" class="btn-filter-sort active" target="_self">默认</a></dd>
<dd><a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg class="icon" aria-hidden="true">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
</dd>
</dl>"""
# 初始化 soup
soup = BeautifulSoup(html,'html.parser')
print(soup.find_all('dl',recursive=False))
输出空列表[]
3.4limit示例
soup.find_all('dd',limit=1)
会限制输出结果为一条
# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup
html = """
<div class="filter-box d-flex align-items-center">
<form action="" id=seeOriginal>
<dl class="filter-sort-box d-flex align-items-center">
<dt>排序:</dt>
<dd><a href="javascript:void(0);" data-report-query="" class="btn-filter-sort active" target="_self">默认</a></dd>
<dd><a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg class="icon" aria-hidden="true">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
</dd>
</dl>"""
# 初始化 soup
soup = BeautifulSoup(html,'html.parser')
print(soup.find_all('dd',limit=1))
输出
[<dd><a class="btn-filter-sort active" data-report-query="" href="javascript:void(0);" target="_self">默认</a></dd>]
3.5 kwargs 示例之属性匹配
soup.find_all(id='seeOriginal')
直接指定id属性查找
# -*- coding: utf-8 -*-
import requests
from bs4 import BeautifulSoup
html = """
<div class="filter-box d-flex align-items-center">
<form action="" id=seeOriginal>
<dl class="filter-sort-box d-flex align-items-center">
<dt>排序:</dt>
<dd><a href="javascript:void(0);" data-report-query="" class="btn-filter-sort active" target="_self">默认</a></dd>
<dd><a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg class="icon" aria-hidden="true">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
</dd>
</dl>"""
# 初始化 soup
soup = BeautifulSoup(html,'html.parser')
print(soup.find_all(id='seeOriginal'))
输出
[<form action="" id="seeOriginal">
<dl class="filter-sort-box d-flex align-items-center">
<dt>排序:</dt>
<dd><a class="btn-filter-sort active" data-report-query="" href="javascript:void(0);" target="_self">默认</a></dd>
<dd><a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg aria-hidden="true" class="icon">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
</dd>
</dl></form>]
3.6 kwargs 示例之正则匹配
soup.find_all(href=re.compile("java.*?"))
匹配属性 href 正则 java开头的属性标签;
# -*- coding: utf-8 -*-
import re
import requests
from bs4 import BeautifulSoup
html = """
<div class="filter-box d-flex align-items-center">
<form action="" id=seeOriginal>
<dl class="filter-sort-box d-flex align-items-center">
<dt>排序:</dt>
<dd><a href="javascript:void(0);" data-report-query="" class="btn-filter-sort active" target="_self">默认</a></dd>
<dd><a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg class="icon" aria-hidden="true">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
</dd>
</dl>"""
# 初始化 soup
soup = BeautifulSoup(html,'html.parser')
print(soup.find_all(href=re.compile("java.*?")))
输出结果
[<a class="btn-filter-sort active" data-report-query="" href="javascript:void(0);" target="_self">默认</a>]
3.7 按CSS搜索
soup.find_all("a", class_="btn")
查找a标签,class属性带有btn
# -*- coding: utf-8 -*-
import re
import requests
from bs4 import BeautifulSoup
html = """
<div class="filter-box d-flex align-items-center">
<form action="" id=seeOriginal>
<dl class="filter-sort-box d-flex align-items-center">
<dt>排序:</dt>
<dd><a href="javascript:void(0);" data-report-query="" class="btn-filter-sort active" target="_self">默认</a></dd>
<dd><a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg class="icon" aria-hidden="true">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
</dd>
</dl>"""
# 初始化 soup
soup = BeautifulSoup(html,'html.parser')
print(soup.find_all("a", class_="btn"))
输出结果
[<a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg aria-hidden="true" class="icon">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>]
四CSS选择器
Beautiful Soup 还直接支持CSS选择器搜索,下面列出了经常使用的方法示例;
# -*- coding: utf-8 -*-
import re
import requests
from bs4 import BeautifulSoup
html = """
<div class="filter-box d-flex align-items-center">
<form action="" id=seeOriginal>
<dl class="filter-sort-box d-flex align-items-center">
<dt>排序:</dt>
<dd><a href="javascript:void(0);" data-report-query="" class="btn-filter-sort active" target="_self">默认</a></dd>
<dd><a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg class="icon" aria-hidden="true">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
</dd>
</dl>"""
# 初始化 soup
soup = BeautifulSoup(html,'html.parser')
# 选取 dl 标签下面的 dt标签
lt = soup.select('dl dt')
print(lt)
dd = soup.select('dl dd')
print(dd[0])
# id 选择器搜索
id = soup.select('#seeOriginal')
print(id)
# class选择器 搜索
cla = soup.select('.btn-filter-sort')
print(cla[0])
分别输出如下
soup.select('dl dt')
[<dt>排序:</dt>]
soup.select('dl dd')[0]
<dd><a class="btn-filter-sort active" data-report-query="" href="javascript:void(0);" target="_self">默认</a></dd>
soup.select('#seeOriginal')
[<form action="" id="seeOriginal">
<dl class="filter-sort-box d-flex align-items-center">
<dt>排序:</dt>
<dd><a class="btn-filter-sort active" data-report-query="" href="javascript:void(0);" target="_self">默认</a></dd>
<dd><a class="btn btn-sm rss" href="https://blog.csdn.net/youku1327/rss/list">
<svg aria-hidden="true" class="icon">
<use xlink:href="#csdnc-rss"></use>
</svg>RSS订阅</a>
</dd>
</dl></form>]
soup.select('.btn-filter-sort')[0]
<a class="btn-filter-sort active" data-report-query="" href="javascript:void(0);" target="_self">默认</a>
跟着知识追寻者学BeautifulSoup,你学不会打不还口,骂不还手的更多相关文章
- python专题知识追寻者对OS的理解
一 前言 OS(operating system)直接对操作系统进行操作的接口,功能真是非常强大:允许知识追寻者简要概括一下整体模块 如果要对文件进行读写可以使用os.open()方法 如果要对文件路 ...
- 跟着PHP100第一季学写一个CMS(1-10)
笔记: 这次用的方法是先跟着视频做一遍,隔一天或半天后独立再做一遍,能发现真正不会的地方记录下来. CMS0.1界面布局1.问题:分两个css来实现时basic.css+index.php出现定位不正 ...
- 跟着阿里p7一起学java高并发 - 第19天:JUC中的Executor框架详解1,全面掌握java并发核心技术
这是java高并发系列第19篇文章. 本文主要内容 介绍Executor框架相关内容 介绍Executor 介绍ExecutorService 介绍线程池ThreadPoolExecutor及案例 介 ...
- 软件测试为什么需要学习Linux的知识?Linux学到什么程度?-log5
软件测试为什么需要学习Linux的知识?学到什么程度?-log5 Dotest软件测试学堂-董浩 公司目前90%的服务器操作系统不是Windows,而是Linux(RedHat.Debian.Cen ...
- 跟着阿里p7一起学java高并发 - 第18天:玩转java线程池,这一篇就够了
java中的线程池,这一篇就够了 java高并发系列第18篇文章. 本文主要内容 什么是线程池 线程池实现原理 线程池中常见的各种队列 自定义线程创建的工厂 常见的饱和策略 自定义饱和策略 线程池中两 ...
- 【C语言学习笔记】空间换时间,查表法的经典例子!知识就是这么学到的~
我们怎么衡量一个函数/代码块/算法的优劣呢?这需要从多个角度看待.本篇笔记我们先不考虑代码可读性.规范性.可移植性那些角度. 在我们嵌入式中,我们需要根据实际资源的情况来设计我们的代码.比如当我们能用 ...
- Java全家桶的这些知识,不用学了
众所周知,Java 的知识体系繁冗复杂,但是有很多知识在实际工作中几乎没有人用. 很多人在学习过程中,却经常把有限的时间和精力花在了这些"没有用"的知识上,事倍功半. 下面我捋一捋 ...
- 跟着PHP100第一季学写一个CMS(11-20)
PS.刚发现IE并不兼容,有点悲剧 cms1.1密码处理 1.小知识:sha1($_answer) //加密为40位,不知道能不能破解 2.小知识:mysql_real_escape_string( ...
- canvas知识03:学写一个字案例
效果
随机推荐
- java 泛型的上限与下限
设置泛型对象的上限使用extends,表示参数类型只能是该类型或该类型的子类: 声明对象:类名<? extends 类> 对象名 定义类:类名<泛型标签 extends 类>{ ...
- 漏洞扫描工具AWVS介绍及安装教程
PS:webug靶场全都通关了,你也就是个合格的新手了. 上次我们在通关webug靶场第三关的时候,提到一个漏洞扫描工具叫做AWVS.这次我们介绍一下它. 1 AWVS漏洞扫描工具 Acunetix ...
- H3C TFTP文件传输过程
- H3C端口状态迁移
- linux 选择 ioctl 命令
在为 ioctl 编写代码之前, 你需要选择对应命令的数字. 许多程序员的第一个本能的反 应是选择一组小数从0或1 开始, 并且从此开始向上. 但是, 有充分的理由不这样做. ioctl 命令数字应当 ...
- linux 操作 I/O 端口
在驱动硬件请求了在它的活动中需要使用的 I/O 端口范围之后, 它必须读且/或写到这些 端口. 为此, 大部分硬件区别 8-位, 16-位, 和 32-位端口. 常常你无法混合它们, 象你 正常使 ...
- vue-learning:5-template-v-for
5 列表渲染的指令v-for v-for on Array / Object / String / Number v-for on template v-for on expression v-for ...
- UVA - 10480 Sabotage (Dinic)
The regime of a small but wealthy dictatorship has been abruptly overthrown by an unexpected rebel-l ...
- 读<大道至简>--软件工程实践者的思想有感
初闻其名,<大道至简>,大多人都会觉得这是一本满腹人生哲理的书籍,作者洋洋洒洒的谈论大道理,其实不然,作者以古典文化为引,以作者的所思所想为线,启蒙了我作为一个软件工程初学者的实践思想. ...
- 使用Miniconda安装Scrapy遇到的坑
最近在看小甲鱼的书,学习学习爬虫,其中有一块是通过Miniconda3安装Scrapy,结果却遇到了下面的错误:fatal error in launcher:unable to create pro ...