Python Beautiful Soup库
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
- jdbc连接数据库以及简单实现（普通JDBC方法实现和连接池方式实现）
@ 目录 总结内容 1. 基本概念 jdbc的概念 2. 数据库连接 数据库的连接 DAO层思想 重构设计 3. 事务 概念 事务的ACID属性 事务的操作 4. 连接池 为什么要使用连接池 连接池分 ...
- 浅谈Web前后端分离的意义
自然是有很大意义的.下面我可能说的比较多--方便题主能够更全面的了解为什么说是有有意义的.另外,本文是以Java的角度谈前后端分离.放心,大家一定会有种是我了,没错,的感觉. 一.先来明晰下概念 前后 ...
- [前端学习]vue的指令学习记录 vu-if | text | for | on | model | bind | pre
vue的指令学习记录 vue-if | text | for | on | model - 目录 vue的指令学习记录 vue-if | text | for | on | model ... 预备 ...
- CTFHUB之gopher协议实现SSRF
介绍 解题思路: 利用302协议(重定向)的跳转ssrf.可以访问与服务器相连的内网 ①什么是gopher协议 Gopher是Internet上一个信息查找系统,它将Internet上的文件组织成某种 ...
- Mybatis-plugins分页助手实现查询数据分页
其他具体代码接上文->mybatis自定义处理器 1.导入坐标 <dependency> <groupId>com.github.pagehelper</group ...
- python入门基础-介绍、基础语法
一.anaconda下的spyder简介 Spyder 是一个强大的交互式 Python 语言开发环境,提供高级的代码编辑.交互测试.调试等特性,支持包括 Windows.Linux 和 OS X 系 ...
- Typecho文章设置永久链接
说明 想要给Typecho文章一个独立的url,或按照自己的格式来 这时候我们就要设置永久链接 Typecho设置文章永久链接 设置伪静态 伪静态设置要取决于是nginx还是apache,详情请参考& ...
- gin框架使用【7.中间件使用】
在 gin中,通过默认的函数,构建一个实现了带默认中间件的 *Engine. r := gin.Default() 默认绑定了Logger和Recovery中间件,帮助我们进行日志输出和错误处理. f ...
- AcWing 165. 小猫爬山 DFS
165. 小猫爬山 https://www.acwing.com/problem/content/description/167/ 题目 思路 dfs每一个小猫,对于要不要开新车的状态再进行dfs(注 ...
- mongodb 数据块的迁移流程介绍
1. 基本概念 1.1 Chunk(数据块) 表示特定服务器上面,连续范围的分片键值所包含的一组数据,是一个逻辑概念. 例如,某数据块记录如下: { "_id" : "c ...