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

大数据学习之路又之从小白到用sqoop导出数据
写这篇文章的目的是总结自己学习大数据的经验,以为自己走了很多弯路,从迷茫到清晰,真的花费了很多时间,希望这篇文章能帮助到后面学习的人. 一.配置思路安装linux虚拟机--->创建三台虚拟机- ...
java基础-字符流
字符流 * 字符流是可以直接读写字符的IO流 * 字符流读取字符, 就要先读取到字节数据, 然后转为字符. 如果要写出字符, 需要把字符转为字节再写出. FileReader * FileRea ...
MySQL 中的 SQL 语句详解
@ 目录总结内容 1. 基本概念 2. SQL列的常用类型 3. DDL简单操作 3.1 数据库操作 3.2 表操作 4. DML操作 4.1 修改操作(UPDATE SET) 4.2 插入操作(I ...
正则表达式小技巧，sql中in的字符串处理
工作中我经常写sql,当写带in的语句时,需要敲好多单引号,逗号,敲写起来容易易出错.因此,我写了一个小工具,处理这种繁琐工作.原理简单,利用正则表达式匹配.替换. 先看界面,一个html页面,包含三 ...
前端javascript之BOM、DOM操作、事件
BOM与DOM操作 BOM 浏览器对象模型>>>:使用js操作浏览器 DOM 文档对象模型>>>:使用js操作前端页面 window对象所有浏览器都支持 wind ...
『现学现忘』Git基础 — 2、Git和SVN的区别
1.Git和SVN的区别 (1)SVN(集中式版本管理系统) 集中式的版本控制系统都有一个单一的集中管理的服务器,保存所有文件的修订版本,而协同工作的人们都通过客户端连到这台服务器,取出最新的文件或者 ...
Cookie&&Session&&jsp入门
会话技术会话:一次会话中包含多次请求和响应. 一次会话:浏览器第一次给服务器资源发送请求,会话建立,直到有一方断开为止功能:在一次会话的范围内的多次请求间,共享数据方式: 客户端会话技术:Coo ...
eclipse-java-2018-09-win32-x86_64配置tomcat（内含更新eclipse，如何解决添加时找不到最新tomcat版本）
我下的是eclipse精简版,建议下载企业版,可以省略后面的很多步骤(其中的辛酸...) 这里就是说明下载精简版的eclipse如何配置tomcat的步骤,其实还是更新eclipse的步骤 1.首先点 ...
Typora原生态的图片格式快速转化为HTML格式
Typora更改图片样式前言在Typora中插入的图片,默认是居中且显示原图大小的,如果想要缩小显示,可以右击图片选择缩放图片. 但是,当我上传到博客园中时,并没有保留居中.缩放的样式 ...
python基础练习题（题目输出一个随机数。）
day35 --------------------------------------------------------------- 实例050:随机数题目输出一个随机数. 分析:使用ran ...

Python Beautiful Soup库