Beautiful Soup库

Beautiful Soup库：https://www.crummy.com/software/BeautifulSoup/

安装Beautiful Soup：

使用Beautiful Soup库

from bs4 import BeautifulSoup	#这里的BeautifulSoup是个类

soup = BeautifulSoup('<p>data</p>','html.parser')#使用html.parser解析器

例子：获取http://python123.io/ws/demo.html的信息

Beautiful Soup库的基本元素

Beautiful Soup库是解析、遍历、维护“标签树”的功能库。

Beautiful Soup库，也叫beautifulsoup4或者bs4。

from bs4 import BeautifulSoup	#在bs4库中引入BeautifulSoup类型

soup = BeautifulSoup("<html>data</html>","html.parser")

soup = BeautifulSoup("D://demo.html","html.parser")	#通过打开文件的方式

BeautifulSoup对应一个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<>和</>标明开头和结尾
Name	标签名字，< 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
NavigebleString	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

基于bs4库的HTML内容遍历方法

标签树的下行遍历

属性	说明
.contents	子节点的列表，将< tag >所有儿子节点存入列表
.children	子节点的迭代类型，与.contents类似，用于循环遍历儿子节点
.descendants	子孙节点的迭代类型，包含所有子孙节点，用于循环遍历

for child in soup.body.children:

	print(child)				#遍历body标签儿子节点

for child in soup.body.descendants:

    print(child)				#遍历子孙节点

标签树的上行遍历

属性	说明
.parent	节点的父亲标签
.parents	节点先辈标签的迭代类型，用于循环遍历先辈节点

打印soup的a标签的所有先辈：

标签树的平行遍历

平行遍历发生在同一个父节点下的各节点间

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的标签
.net_sibling	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_sibling	迭代类型，返回按照HTML文本顺序的前续所有平行节点标签

for sibling in soup.a.next_siblings:

    print(sibling)			#遍历后续平行节点

for sibling in soup.a.previous_sibling:

	print(sibling)			#遍历前续平行节点

基于bs4库的HTML格式化和编码

prettify()方法

.prettify()方法在每个标签后面加了个换行符/n

基于bs4库的HTML内容查找方法

.find_all(name, attrs, recursive, string, **kwargs)

返回一个列表类型，存储查找的结果

name：对标签名称的检索字符串

attres：对标签属性值的检索字符串，可标注属性检索

recursive：是否对子孙全部检索，默认True

string：<>...</>中字符串区域的检索字符串

扩展方法

方法	说明
<>.find()	搜索且只返回一个结果，字符串类型，同.find_all()参数
<>.find()_parents()	在先辈节点搜索，返回列表类型，同.find_all()参数
<>.find()_parent()	在先辈节点返回一个结果，字符串类型，同.find()参数
<>.find()_next_siblings()	在后续平行节点中搜索，返回列表类型，同.find_all()参数
<>.find()_next_sibling()	在后续平行节点中返回一个结果，字符串类型，同.find()参数
<>.find()_previous_siblings()	在前序平行节点中搜素，返回列表类型，同.find()_all参数
<>.find()_previous_sibling()	在前序平行节点中返回一个结果，字符串类型，同.find()参数

实例：“中国大学排名定向爬虫”

中国大学排名：

http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html

功能描述

输入：大学排名URL链接
输出：大学排名信息的屏幕输出（排名，大学名称，总分）
技术路线：requests-bs4
定向爬虫：仅对输入URL进行爬取，不扩展爬取

程序的结构设计

步骤1：从网络上获取大学排名网页内容 getHTMLText()
步骤2：提取网页内容中信息到合适的数据结构 fillUnivList()
步骤3：利用数据结构展示并输出结果 printUnivList()

import requests

from bs4 import BeautifulSoup

import bs4

def getHTMLText(url):

	try:

		r = requests.get(url, timeout = 30)

		r.raise_for_status()

		r.encoding = r.apparent_encoding

		return r.text

	except:

		return ""

def fillUnivList(ulist, html):

	soup = BeautifulSoup(html, "html.parser")

	for tr in soup.find('tbody').children:	#find查找tbody标签，children循环遍历儿子节点

		if isinstance(tr,bs4.element.Tag):#判断tr是否是类bs4.element.Tag的对象

			tds  = tr('td')

			ulist.append([tds[0].string,tds[1].string,tds[2].string])#.string：<>...</>中字符串区域的检索字符串

def printUnivList(ulist, num):

	tplt = "{0:^10}\t{1:{3}^10}\t{2:^10}"

	print(tplt.format("排名", "学校名称", "总分",chr(12288)))		#chr(12288)中文空格填充

	for i in range(num):

		u=ulist[i]

		print(tplt.format(u[0],u[1],u[2],chr(12288)))

def main():

	unifo = []

	url = 'http://www.zuihaodaxue.cn/zuihaodaxuepaiming2016.html'

	html = getHTMLText(url)

	fillUnivList(unifo, html)

	printUnivList(unifo, 20)	#20 univs

main()

Python Beautiful Soup库的更多相关文章

python beautiful soup库的超详细用法
原文地址https://blog.csdn.net/love666666shen/article/details/77512353 参考文章https://cuiqingcai.com/1319.ht ...
python Beautiful Soup库入门
bs4库的HTML内容遍历方法基于bs4库的HTML格式输出显示:友好的显示 <tag>.prettify() 编码:bs4库将任何HTML输入都变成utf-8编码(python 3. ...
Beautiful Soup库基础用法（爬虫）
初识Beautiful Soup 官方文档:https://www.crummy.com/software/BeautifulSoup/bs4/doc/# 中文文档:https://www.crumm ...
【转载】Beautiful Soup库（bs4）入门
转载自:Beautiful Soup库(bs4)入门该库能够解析HTML和XML 使用Beautiful Soup库: from bs4 import BeautifulSoup impo ...
Beautiful Soup库入门
1.安装:pip install beautifulsoup4 Beautiful Soup库是解析.遍历.维护“标签树”的功能库 2.引用:(1)from bs4 import BeautifulS ...
【Python爬虫学习笔记（3）】Beautiful Soup库相关知识点总结
1. Beautiful Soup简介 Beautiful Soup是将数据从HTML和XML文件中解析出来的一个python库,它能够提供一种符合习惯的方法去遍历搜索和修改解析树,这将大大减 ...
Python Beautiful Soup 解析库的使用
Beautiful Soup 借助网页的结构和属性等特性来解析网页,这样就可以省去复杂的正则表达式的编写. Beautiful Soup是Python的一个HTML或XML的解析库. 1.解析器解析 ...
python之Beautiful Soup库
1.简介简单来说,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 ...
crawler碎碎念4 关于python requests、Beautiful Soup库、SQLlite的基本操作
Requests import requests from PIL import Image from io improt BytesTO import jason url = "..... ...

随机推荐

老版本的Spring应用该如何应对CVE-2022-22965漏洞？
昨天,在发布了<Spring官宣承认网传大漏洞,并提供解决方案>之后.群里就有几个小伙伴问了这样的问题:我们的Spring版本比较老,该怎么办?这是一个好问题,所以DD今天单独拿出来说说. ...
c++实现状态模式
实验:用Java代码模拟实现课堂上的"银行账户"的实例,要求编写客户端测试代码模拟用户存款和取款,注意账户对象状态和行为的变化. 由于是c++,不像java那么灵活,所以类的调用方 ...
java中输出一个字符串里面的空格，字母还有数字的数目举例说明
9.6 About string,"I am a teacher",这个字符串中有多少个字,且分别把每个字打印出来. /*本题的思路就是,当我有一个字符串,我需要一个一个字符的处理 ...
Spring Boot配置druid监控页功能
1.导入坐标 <?xml version="1.0" encoding="UTF-8"?> <project xmlns="http ...
面试官：说一说Zookeeper中Leader选举机制
哈喽!大家好,我是小奇,一位不靠谱的程序员小奇打算以轻松幽默的对话方式来分享一些技术,如果你觉得通过小奇的文章学到了东西,那就给小奇一个赞吧文章持续更新一.前言今天又是一个阳光明媚的一天,我又 ...
mycat实现主从读取中的问题
schema.xml 中的配置如下:..... <dataHost name="aaa" maxCon="2000" minCon="100&q ...
巧用 background-clip 实现超强的文字动效
最近,有同学询问,如何使用 CSS 实现如下效果: 看起来是个很有意思的动效. 仔细思考一下,要想实现这类效果,其实用到的核心属性只有一个 -- background-clip: text. 有意思的 ...
JavaScript学习总结7-BOM
今天学习了BOM模型,可以利用其来获得屏幕数据,网页历史,以及网页location等数据
2021.12.02 P4001 [ICPC-Beijing 2006]狼抓兔子（最小割）
2021.12.02 P4001 [ICPC-Beijing 2006]狼抓兔子(最小割) https://www.luogu.com.cn/problem/P4001 题意: 把图分成两部分需要的最 ...
2021.11.09 P3426 [POI2005]SZA-Template（KMP+DP）
2021.11.09 P3426 [POI2005]SZA-Template(KMP+DP) https://www.luogu.com.cn/problem/P3426 题意: 你打算在纸上印一串字 ...

Python Beautiful Soup库