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

  1. 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 ...

  2. 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. ...

  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 ...

  4. 【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 ...

  5. 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 ...

  6. 【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 ...

  7. 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 ...

  8. 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 ...

  9. 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

  1. Codepen 每日精选（2018-4-6）

    按下右侧的"点击预览"按钮可以在当前页面预览,点击链接可以打开原始页面. 按照画出的路线吃豆子的交互动画https://codepen.io/createjs/f... 模拟真实手 ...

  2. Android点击按钮退出程序并提醒

    效果展示: MainActivity.java import androidx.appcompat.app.AppCompatActivity; import android.app.AlertDia ...

  3. 搭建 SpringBoot 项目（前端页面 + 数据库 + 实现源码）

    SpringBoot 项目整合源码 SpringBoot 项目整合 一.项目准备 1.1 快速创建 SpringBoot 项目 1.2 项目结构图如下 1.3 数据表结构图如下 1.4 运行结果 二. ...

  4. 微信小程序下拉加载和上拉刷新两种实现方法

    方法一:onPullDownRefresh和onReachBottom方法实现小程序下拉加载和上拉刷新 首先要在json文件里设置window属性 设置js里onPullDownRefresh和onR ...

  5. python修改Gsettings的配置文件

    GSettings 的配置文件是 xml 格式的,文件需以 .gschema.xml 结尾,文件名通常与 id 相同.配置文件安装在 /usr/share/glib-2.0/schemas/ 目录下, ...

  6. PyQt5 基本语法（四）

    目录 2. 输入控件(一) 2.1 纯键盘 2.1.1 QLineEdit 2.1.1.1 描述 2.1.1.2 控件创建 2.1.1.3 输出模式 2.1.1.4 提示字符串 2.1.1.5 清空按 ...

  7. Python入门-深入了解数据类型以及方法

    写在开始:每一种数据类型,有对应一种功能,面对不同的问题,使用不同类型. 1.全部数据类型 1.2数值型:解决数字的计算问题 #基础的计算,求除结果,求商,求余数 print(10 / 3) prin ...

  8. linux权限与系统信息

    权限 1.权限分为3个部分 可读(r) 可写(w) 可执行(x) 没有对应权限(-) 2.权限位 权限位主要分为三个部分,分别是属主.属组以及其他人 rwx : 属主 r-x : 属组 r-x : 其 ...

  9. Unity中制作血条2.0

    ##1.血量显示 不必像之前那样添加Slider组件 直接创建Image 在添加Source Image之后,将Image Type 修改为Filled 通过修改Fill Mode就可以显示不同效果 ...

  10. Markdown练习

    这是一级标题 这是二级标题 这是三级标题 这是无序列表1 这是无序列表2 有序1 有序2 重点 计网 1. 第一章 第一部分 1.概念.组成.功能和分类 1. 概念 计算机网络是互连的.自治的计算机的 ...