Beautiful Soup 库
demo html: http://python123.io/ws/demo.html
这里是基本用法示例。
1 | import requests |
Beautiful Soup库的理解
Beautiful Soup库的引用
Beautiful Soup也叫beautifulsoup4或bs4
1 | from bs4 import BeautifulSoup |
Beautiful Soup类
HTML/XML <-> 标签树 <-> Beautiful Soup类
1 | from bs4 import BeautifulSoup |
- BeautifulSoup对于一个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<></>标明开头和结尾 |
Name | 标签的名字,<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 |
NavigableString | 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 |
1 | <p>..</p>:标签tag |
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18 from bs4 import BeautifulSoup
import requests
r = requests.get("http://python123.io/ws/demo.html")
demo = r.text
soup = BeautifulSoup(demo, 'html.parser')
print(soup.a.name)
print(soup.a.parent.name)
print(soup.a.parent.parent.name)
tag = soup.a
print(tag.attrs)
print(tag.attrs['class'])
print(tag.attrs['href'])
print(type(tag.attrs))
print(type(tag))
print(tag.string)
print(soup.p)
print(soup.p.string)
print(type(soup.p.string))
标签树的下行遍历
属性 | 说明 |
---|---|
.contents | 子节点的列表,将 |
.children | 子节点的迭代类型,与.contents类似,用于循环遍历 |
.descendants | 子孙节点的迭代类型,包含所有子孙节点,用于循环遍历 |
1 | for child in soup.body.children: # 遍历儿子节点 |
标签树的上行遍历
属性 | 说明 |
---|---|
.parent | 节点的父亲标签 |
.parents | 节点的先辈标签的迭代类型,用于循环遍历先辈节点 |
1 | "html.parser") soup = BeautifulSoup(demo, |
标签树的平行遍历
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标签 |
.next_siblings | 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_siblings | 迭代类型,返回按照HTML文本顺序的前续所有平行节点标签 |
1 | for sibling in soup.a.next_siblings: # 遍历后续节点 |