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。

 from bs4 import BeautifulSoup

 html_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')

简单示例

1. name，标签名称

 # tag = soup.find('a')

 # name = tag.name # 获取

 # print(name)

 # tag.name = 'span' # 设置

 # print(soup)

2. attr，标签属性

 # tag = soup.find('a')

 # attrs = tag.attrs    # 获取

 # print(attrs)

 # tag.attrs = {'ik':123} # 设置

 # tag.attrs['id'] = 'iiiii' # 设置

 # print(soup)

3. children,所有子标签

 # body = soup.find('body')

 # v = body.children

4. descendants,所有子子孙孙标签

 # body = soup.find('body')

 # v = body.descendants

5. clear,将标签的所有子标签全部清空（保留标签名）

 # tag = soup.find('body')

 # tag.clear()

 # print(soup)

6. decompose,递归的删除所有的标签

 # body = soup.find('body')

 # body.decompose()

 # print(soup)

7. extract,递归的删除所有的标签，并获取删除的标签

 # body = soup.find('body')

 # v = body.extract()

 # print(soup)

8. decode,转换为字符串（含当前标签）；decode_contents（不含当前标签）

 # body = soup.find('body')

 # v = body.decode()

 # v = body.decode_contents()

 # print(v)

9. encode,转换为字节（含当前标签）；encode_contents（不含当前标签）

 # body = soup.find('body')

 # v = body.encode()

 # v = body.encode_contents()

 # print(v)

10. find,获取匹配的第一个标签

 # tag = soup.find('a')

 # print(tag)

 # tag = soup.find(name='a', attrs={'class': 'sister'}, recursive=True, text='Lacie')

 # tag = soup.find(name='a', class_='sister', recursive=True, text='Lacie')

 # print(tag)

11. find_all,获取匹配的所有标签

 # tags = soup.find_all('a')

 # print(tags)

 # tags = soup.find_all('a',limit=1)

 # print(tags)

 # tags = soup.find_all(name='a', attrs={'class': 'sister'}, recursive=True, text='Lacie')

 # # tags = soup.find(name='a', class_='sister', recursive=True, text='Lacie')

 # print(tags)

 # ####### 列表 #######

 # v = soup.find_all(name=['a','div'])

 # print(v)

 # v = soup.find_all(class_=['sister0', 'sister'])

 # print(v)

 # v = soup.find_all(text=['Tillie'])

 # print(v, type(v[0]))

 # v = soup.find_all(id=['link1','link2'])

 # print(v)

 # v = soup.find_all(href=['link1','link2'])

 # print(v)

 # ####### 正则 #######

 import re

 # rep = re.compile('p')

 # rep = re.compile('^p')

 # v = soup.find_all(name=rep)

 # print(v)

 # rep = re.compile('sister.*')

 # v = soup.find_all(class_=rep)

 # print(v)

 # rep = re.compile('http://www.oldboy.com/static/.*')

 # v = soup.find_all(href=rep)

 # print(v)

 # ####### 方法筛选 #######

 # def func(tag):

 # return tag.has_attr('class') and tag.has_attr('id')

 # v = soup.find_all(name=func)

 # print(v)

 # ## get,获取标签属性

 # tag = soup.find('a')

 # v = tag.get('id')

 # print(v)

12. has_attr,检查标签是否具有该属性

 # tag = soup.find('a')

 # v = tag.has_attr('id')

 # print(v)

13. get_text,获取标签内部文本内容

 # tag = soup.find('a')

 # v = tag.get_text('id')

 # print(v)

14. index,检查标签在某标签中的索引位置

 # tag = soup.find('body')

 # v = tag.index(tag.find('div'))

 # print(v)

 # tag = soup.find('body')

 # for i,v in enumerate(tag):

 # 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'

 # tag = soup.find('br')

 # v = tag.is_empty_element

 # print(v)

16. 当前的关联标签

 # soup.next

 # soup.next_element

 # soup.next_elements

 # soup.next_sibling

 # soup.next_siblings

 #

 # tag.previous

 # tag.previous_element

 # tag.previous_elements

 # tag.previous_sibling

 # tag.previous_siblings

 #

 # tag.parent

 # tag.parents

17. 查找某标签的关联标签

 # tag.find_next(...)

 # tag.find_all_next(...)

 # tag.find_next_sibling(...)

 # tag.find_next_siblings(...)

 # tag.find_previous(...)

 # tag.find_all_previous(...)

 # tag.find_previous_sibling(...)

 # tag.find_previous_siblings(...)

 # tag.find_parent(...)

 # tag.find_parents(...)

 # 参数同find_all

18. select,select_one, CSS选择器

 soup.select("title")

 soup.select("p nth-of-type(3)")

 soup.select("body a")

 soup.select("html head title")

 tag = soup.select("span,a")

 soup.select("head > title")

 soup.select("p > a")

 soup.select("p > a:nth-of-type(2)")

 soup.select("p > #link1")

 soup.select("body > a")

 soup.select("#link1 ~ .sister")

 soup.select("#link1 + .sister")

 soup.select(".sister")

 soup.select("[class~=sister]")

 soup.select("#link1")

 soup.select("a#link2")

 soup.select('a[href]')

 soup.select('a[href="http://example.com/elsie"]')

 soup.select('a[href^="http://example.com/"]')

 soup.select('a[href$="tillie"]')

 soup.select('a[href*=".com/el"]')

 from bs4.element import Tag

 def default_candidate_generator(tag):

     for child in tag.descendants:

         if not isinstance(child, Tag):

             continue

         if not child.has_attr('href'):

             continue

         yield child

 tags = soup.find('body').select("a", _candidate_generator=default_candidate_generator)

 print(type(tags), tags)

 from bs4.element import Tag

 def default_candidate_generator(tag):

     for child in tag.descendants:

         if not isinstance(child, Tag):

             continue

         if not child.has_attr('href'):

             continue

         yield child

 tags = soup.find('body').select("a", _candidate_generator=default_candidate_generator, limit=1)

 print(type(tags), tags)

19. 标签的内容

 # tag = soup.find('span')

 # print(tag.string)          # 获取

 # tag.string = 'new content' # 设置

 # print(soup)

 # tag = soup.find('body')

 # print(tag.string)

 # tag.string = 'xxx'

 # print(soup)

 # tag = soup.find('body')

 # v = tag.stripped_strings  # 递归内部获取所有标签的文本

 # print(v)

20.append在当前标签内部追加一个标签

 # tag = soup.find('body')

 # tag.append(soup.find('a'))

 # print(soup)

 #

 # from bs4.element import Tag

 # obj = Tag(name='i',attrs={'id': 'it'})

 # obj.string = '我是一个新来的'

 # tag = soup.find('body')

 # tag.append(obj)

 # print(soup)

21.insert在当前标签内部指定位置插入一个标签

 # from bs4.element import Tag

 # obj = Tag(name='i', attrs={'id': 'it'})

 # obj.string = '我是一个新来的'

 # tag = soup.find('body')

 # tag.insert(2, obj)

 # print(soup)

22. insert_after,insert_before 在当前标签后面或前面插入

 # from bs4.element import Tag

 # obj = Tag(name='i', attrs={'id': 'it'})

 # obj.string = '我是一个新来的'

 # tag = soup.find('body')

 # # tag.insert_before(obj)

 # tag.insert_after(obj)

 # print(soup)

23. replace_with 在当前标签替换为指定标签

 # from bs4.element import Tag

 # obj = Tag(name='i', attrs={'id': 'it'})

 # obj.string = '我是一个新来的'

 # tag = soup.find('div')

 # tag.replace_with(obj)

 # print(soup)

24. 创建标签之间的关系（但不会改变标签的位置）

 # tag = soup.find('div')

 # a = soup.find('a')

 # tag.setup(previous_sibling=a)

 # print(tag.previous_sibling)

25. wrap，将指定标签把当前标签包裹起来

 # from bs4.element import Tag

 # obj1 = Tag(name='div', attrs={'id': 'it'})

 # obj1.string = '我是一个新来的'

 #

 # tag = soup.find('a')

 # v = tag.wrap(obj1)

 # print(soup)

 # tag = soup.find('a')

 # v = tag.wrap(soup.find('p'))

 # print(soup)

26. unwrap，去掉当前标签，将保留其包裹的标签

 # tag = soup.find('a')

 # v = tag.unwrap()

 # print(soup)

转载自：

http://www.cnblogs.com/wupeiqi/articles/6283017.html

更多参考：

Beautiful Soup 4.4.0 文档

爬虫必备—BeautifulSoup的更多相关文章

  1. 网络爬虫必备知识之urllib库

    就库的范围,个人认为网络爬虫必备库知识包括urllib.requests.re.BeautifulSoup.concurrent.futures,接下来将结合爬虫示例分别对urllib库的使用方法进行 ...

  2. 网络爬虫必备知识之requests库

    就库的范围,个人认为网络爬虫必备库知识包括urllib.requests.re.BeautifulSoup.concurrent.futures,接下来将结对requests库的使用方法进行总结 1. ...

  3. 网络爬虫必备知识之concurrent.futures库

    就库的范围,个人认为网络爬虫必备库知识包括urllib.requests.re.BeautifulSoup.concurrent.futures,接下来将结对concurrent.futures库的使 ...

  4. 爬虫模块BeautifulSoup

    中文文档:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html# 1.1      安装BeautifulSoup模块 ...

  5. 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 ...

  6. #爬虫必备，解析html文档----beautifulsoup的简单用法

    #出处:http://mp.weixin.qq.com/s?__biz=MjM5NzU0MzU0Nw==&mid=201820961&idx=2&sn=b729466f334d ...

  7. 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 ...

  8. 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 ...

  9. Python开发爬虫之BeautifulSoup解析网页篇：爬取安居客网站上北京二手房数据

    目标:爬取安居客网站上前10页北京二手房的数据,包括二手房源的名称.价格.几室几厅.大小.建造年份.联系人.地址.标签等. 网址为:https://beijing.anjuke.com/sale/ B ...

随机推荐

  1. js根据经纬度计算两点距离

    js版-胡老师 google.maps.LatLng.prototype.distanceFrom = function(latlng) {    var lat = [this.lat(), lat ...

  2. phpStudy mysql升级至5.7

    1.先停止mysql服务,卸载原来的mysql (其他菜单-->服务器管理--->MySQL--->卸载服务) 2.下载MySQL你需要的版本 ZIP Archive 版本 3.解压 ...

  3. Django环境搭建之hello world

    当我们想用Python来开发一个web应用时,首先要选择一个优秀的web框架,Django是个非常成熟的web开发框架,网上具有丰富的文档和学习资料,所以选择Django框架来入门web开发是个不错的 ...

  4. 【CF1157F】Maximum Balanced Circle 求一个相邻元素之间绝对值为小于1的最大环

    题目: https://codeforces.com/contest/1157/problem/F 给出一个序列 , 我们要从序列里面挑出一些数构造成一个相邻元素之间绝对值为小于1的最大环 , 挑选的 ...

  5. springcloud(四)-Eureka Server集群

    Eureka Server的高可用 这一节我们接着上一节说. 有分布式应用开发经验的朋友应该发现,前文编写的单节点Eureka Server并不适合线上生产环境.Eureka Client会定时连接E ...

  6. 如何给oneindex网盘增加评论、密码查看、read me,头提示功能。

    来自我的博客:www.resource143.com 微信公众号:资源库resource 视频教程地址 点击查看 评论功能 特性 使用 GitHub 登录 支持多语言 [en, zh-CN, zh-T ...

  7. css变量的应用

    微软在2017年3月份宣布 Edge 浏览器将支持 CSS 变量,到现在已经过去一年多了,哈哈,是不是有点后知后觉? 这个知识点是在阮一峰的日志上浏览到的,在此借用一下了..跟大家分享一下..... ...

  8. Sublime Text 3安装插件（Mac 10.12）

    1.先安装Package Control,默认这个是没有安装的. 使用[control + -]打开控制台,输入以下代码: import urllib.request,os; pf = 'Packag ...

  9. Fetch使用方法

    前言: fetch是用来取代传统的XMLHttpRequest的. 它的优点很多,包括链式调用的语法.返回promise等. 什么是fetch? fetch api是基于promise的设计,它是为了 ...

  10. tomcat无法登录

    最近开始学JEE,在配置环境时,使用了tomcat 7.x的版本,然而点击manager app时无法登录. 按照网络上的教程(如:http://www.oschina.net/question/19 ...