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

Jackson 和 fastJSON 导包异常
内容一.异常信息 HTTP Status 400 - type Status report message org.springframework.http.converter.HttpMessag ...
Java中数组的定义与使用（代码+例子）
学习目标: 掌握一维数组的使用学习内容: 1.一维数组的定义数组(Array),是把具有相同类型的多个常量值有序组织起来的一种数据形式.这些按一定顺序排列的多个数据称为数组.而数组中的每一 ...
Taro时间选择器+地址选择器
时间地址选择器 https://www.manzj.net/topic/5c3c2123cd01b8af5bce4373
FastAPI（六十九)实战开发《在线课程学习系统》接口开发--修改密码
之前我们分享了FastAPI(六十八)实战开发<在线课程学习系统>接口开发--用户个人信息接口开发.这次我们去分享实战开发<在线课程学习系统>接口开发--修改密码我们梳理一 ...
Java报错：Unable to find setter method for attribute: [x]
在学习JavaWeb JSTL与自定义标签时遇到的坑,用的老师给的代码结果直接原地报错:javax.servlet.ServletException: org.apache.jasper.Jasper ...
Python里的引用与拷贝规律
python的可变不可变与各种浅拷贝深拷贝规则,一并梳理. Python一切皆引用在C++/Java里,int a = 1就是创建变量为a,赋值为1:int b = a就是创建变量b,赋值为a的值. ...
npm使用淘宝镜像源
npm使用淘宝镜像源单次使用 npm install koa --registry=https://registry.npm.taobao.org 永久使用配置淘宝镜像源 npm config s ...
Java中有关clone方法的用法
一.clone在数组基本数据类型中的使用 public class Main { public static void main(String[] args) { int[] arr= {7,8,9} ...
设计模式学习笔记（十六）迭代器模式及其在Java 容器中的应用
迭代器(Iterator)模式,也叫做游标(Cursor)模式.我们知道,在Java 容器中,为了提高容器遍历的方便性,把遍历逻辑从不同类型的集合类中抽取出来,避免向外部暴露集合容器的内部结构. 一. ...
SpringCloud分布式尝试记录
服务提供端: 客户消费端:

Python Beautiful Soup库