BuautifulSoup4库详解

1、BeautifulSoup4库简介

What is beautifulsoup ?

答：一个可以用来从HTML 和 XML中提取数据的网页解析库，支持多种解析器（代替正则的复杂用法）

2、安装

pip3 install beautifulsoup4

3、用法详解

（1）、解析器性能分析（第一个参数markup-要解析的目标代码，第二个参数为解析器）

（2）、使用方法（独孤九剑）

1、总诀式：

#author: "xian"

#date: 2018/5/7

#以下为爱丽丝梦游仙境的部分代码

html = """

<html><head><title>The Dormouse's story</title></head>

<body>

<p class="title"><b>The Dormouse's story</b></p>

<p class="story">Once upon a time there were three little sisters; and their names were

<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,

<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and

<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;

and they lived at the bottom of a well.</p>

<p class="story">...</p>

"""

#小试牛刀

from bs4 import BeautifulSoup #从bs4库导入BeautifulSoup类

soup = BeautifulSoup(html,'lxml') #构造名为soup的对象

print(soup.prettify()) #prettify修饰()方法：格式化代码也就是让各位小伙伴释放眼睛压力哈哈！

print(soup.a) #选中a标签

print(soup.a['class'])#打印a标签名为class的属性值

print(soup.a.name) #打印a 标签的名字 soup.a.parent.name 找到a标签的老子

print(soup.a.string) #小伙伴们猜猜看这是干什么？    答：打印a标签的文本

print(soup.find_all('a')) #找到所有的a标签

print(soup.find(id="link3"))#找到id属性值为link3的标签

#找链接

for link in soup.find_all('a'):

    print(link.get('href')) #遍历所有名为a的标签并得到其链接

#找文本

print(soup.a.get_text()) #获取a标签的文本当然小伙伴们可以任意指定想要的内容

#上面的输出

'''<html>

 <head>

  <title>

   The Dormouse's story

  </title>

 </head>

 <body>

  <p class="title">

   <b>

    The Dormouse's story

   </b>

  </p>

  <p class="story">

   Once upon a time there were three little sisters; and their names were

   <a class="sister" href="http://example.com/elsie" id="link1">

    Elsie

   </a>

   ,

   <a class="sister" href="http://example.com/lacie" id="link2">

    Lacie

   </a>

   and

   <a class="sister" href="http://example.com/tillie" id="link3">

    Tillie

   </a>

   ;

and they lived at the bottom of a well.

  </p>

  <p class="story">

   ...

  </p>

 </body>

</html>

<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>

['sister']

a

Elsie

[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>

http://example.com/elsie

http://example.com/lacie

http://example.com/tillie'''

其他的小伙伴们可以根据需要获取想要的内容，掌握方法即可，具体可参见官网：https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/

2、破剑式

 #author: "xian"

 #date: 2018/5/7

 html = """

 <html>

     <head>

         <title>The Dormouse's story</title>

     </head>

     <body>

         <p class="story">

             Once upon a time there were three little sisters; and their names were

             <a href="http://example.com/elsie" class="sister" id="link1">

                 <span>Elsie</span>

             </a>

             <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a>

             and

             <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>

             and they lived at the bottom of a well

         </p>

         <p class="story">...</p>

 """

 #子节点及子孙节点（老子节点与祖宗节点的选择）的选择

 from bs4 import BeautifulSoup

 soup = BeautifulSoup(html,'lxml')

 print(soup.p.contents) #contents方法将得到的结果以列表形式输出

 print(soup.p.children) #是一个迭代器对象，需要用for循环才能得到器内容 children 只后期子节点

 for i,child in enumerate(soup.p.children): #enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标，一般用在 for 循环当中。

     print(i,child) #接受index 和内特

 print(soup.p.descendants)  #descendants 获取所有的儿子和孙子后代节点

 for i,child in enumerate(soup.p.descendants):

     print(i,child)

 #上面的输出结果

 '''['\n            Once upon a time there were three little sisters; and their names were\n            ', < a

 class ="sister" href="http://example.com/elsie" id="link1" >

 < span > Elsie < / span >

 < / a >, '\n', < a class ="sister" href="http://example.com/lacie" id="link2" > Lacie < / a >, '\n            and\n            ', < a class ="sister" href="http://example.com/tillie" id="link3" > Tillie < / a >, '\n            and they lived at the bottom of a well\n        ']

 < list_iterator object at 0x00000156B2E76EF0 >

 0

             Once upon a time there were three little sisters; and their names were

 1 < a class ="sister" href="http://example.com/elsie" id="link1" >

 < span > Elsie < / span >

 < / a >

 2

 3 < a class ="sister" href="http://example.com/lacie" id="link2" > Lacie < / a >

 4

             and

 5 < a class ="sister" href="http://example.com/tillie" id="link3" > Tillie < / a >

 6

             and they lived at the bottom of a well

 < generator object descendants at 0x00000156B08910F8 >

 0

 Once upon a time there were three little sisters; and their names were

 1 < a class ="sister" href="http://example.com/elsie" id="link1" >

 < span > Elsie < / span >

 < /a >

 2

 3 < span > Elsie < / span >

 4 Elsie

 5

 6

 7 < a class ="sister" href="http://example.com/lacie" id="link2" > Lacie < / a >

 8 Lacie

 9

             and

 10 < a class ="sister" href="http://example.com/tillie" id="link3" > Tillie < / a >

 11 Tillie

 12

         and they lived at the bottom of a well'''

 #老子节点和祖宗节点方法介绍 children -- parent / descendants -- parents 小伙伴们模仿上面的可是动手试试

 #兄弟节点的获取 方法为：next_siblings：获取当前对象后面的兄弟节点 previous_siblings:获取当前对象前面的兄弟节点，小伙伴们可以试试

3、破刀式

 #author: "xian"

 #date: 2018/5/7

 #搜索文档内容 find_all() 和find()

 html = """

 <html><head><title>The Dormouse's story</title></head>

 <p class="title"><b>The Dormouse's story</b></p>

 <p class="story">Once upon a time there were three little sisters; and their names were

 <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,

 <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and

 <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;

 and they lived at the bottom of a well.</p>

 <p class="story">...</p>

 """

 from bs4 import BeautifulSoup

 import re

 soup = BeautifulSoup(html,'lxml')

 #(1)、find_all( name , attrs , recursive , text , **kwargs )

 #name参数用法详解（text参数的使用同name类似如soup.find_all(text=["Tillie", "Elsie", "Lacie"])只返回内容，小伙伴们可查阅官方文档：https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/）

 print(soup.find_all('head')) #查找head标签

 print(soup.find_all(id='link2')) #查找id='link2'的标签

 print(soup.find_all(href=re.compile("(\w+)"))) #查找所有包含href属性包含字母数字的标签

 print(soup.find_all(href=re.compile("(\w+)"), id='link1')) #多重过滤

 #搜索指定名字的属性时可以使用的参数值包括 字符串 , 正则表达式 , 列表, True

 #attrs参数用法详解

 print(soup.find_all(attrs={'id':'link2'})) #attrs参数以key-value形式传入值 /返回列表类型

 #（2）find( name , attrs , recursive , text , **kwargs )用法同find_all 类似只不过它只返回一个值，小伙伴们可以查找官方用法

 #（3）其他方法汇总：(小伙伴们了解即可具体碰到查文档)

 #find_parents() 和find_parent() 返回祖宗节点 和 返回老子节点

 #find_next_siblings() 和 find_next_sibling() 返回后面所有的兄弟节点 和 返回后面第一个兄弟节点

 #find_previous_siblings() 和 find_previous_sibling() 返回前面所有的兄弟节点 和 返回前面第一个兄弟节点

 #find_all_next() 和 find_next() 返回节点后满足条件所有的节点 和 返回第一个满足条件的节点

 #find_all_previous() 和 find_previous() 返回节点前满足条件所有的节点 和 返回第一个满足条件的节点

 #上面的输出结果：

 '''

 [<head><title>The Dormouse's story</title></head>]

 [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

 [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

 [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]

 [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]

 <class 'bs4.element.ResultSet'>

 '''

4、破枪式

 #author: "xian"

 #date: 2018/5/7

 #CSS选择器详解（通过select()传入css选择器即可成功选择）

 html = """

 <html><head><title>The Dormouse's story</title></head>

 <body>

 <p class="title"><b>The Dormouse's story</b></p>

 <p class="story">Once upon a time there were three little sisters; and their names were

 <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,

 <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and

 <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;

 and they lived at the bottom of a well.</p>

 <p class="story">...</p>

 """

 from bs4 import BeautifulSoup

 soup = BeautifulSoup(html,'lxml')

 print(soup.select('.title')) #选择class属性为title的标签 css选择器使用请小伙伴们查看官网

 #再来一例

 print(soup.select('p a#link1'))# 选择p标签下的a下的id属性为link1的标签

 print(soup.select('a')[1]) #做一个切片拿到第二个a标签

 #获取内容

 print(soup.select('a')[1].get_text()) 

 #上面的输出：

 '''

 [<p class="title"><b>The Dormouse's story</b></p>]

 [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>]

 <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>

 laci
33 '''

通过以上的实验，小伙伴们对bs4库是否有了一定的了解，赶紧行动起来，试试学习的效果吧！

总结：

1.建议小伙伴使用lxml解析器

2.多用find_all()和find()

3.css的select()方法掌握下

4.多练习，勤能补拙，孰能生巧，才能渐入化境！

BuautifulSoup4库详解的更多相关文章

Lua的协程和协程库详解
我们首先介绍一下什么是协程.然后详细介绍一下coroutine库,然后介绍一下协程的简单用法,最后介绍一下协程的复杂用法. 一.协程是什么? (1)线程首先复习一下多线程.我们都知道线程——Thre ...
Python--urllib3库详解1
Python--urllib3库详解1 Urllib3是一个功能强大,条理清晰,用于HTTP客户端的Python库,许多Python的原生系统已经开始使用urllib3.Urllib3提供了很多pyt ...
Struts标签库详解【3】
struts2标签库详解要在jsp中使用Struts2的标志,先要指明标志的引入.通过jsp的代码的顶部加入以下的代码: <%@taglib prefix="s" uri= ...
STM32固件库详解
STM32固件库详解 emouse原创文章,转载请注明出处http://www.cnblogs.com/emouse/ 应部分网友要求,最新加入固件库以及开发环境使用入门视频教程,同时提供例程模板 ...
MySQL5.6的4个自带库详解
MySQL5.6的4个自带库详解 1.information_schema详细介绍: information_schema数据库是MySQL自带的,它提供了访问数据库元数据的方式.什么是元数据呢?元数 ...
php中的PDO函数库详解
PHP中的PDO函数库详解 PDO是一个“数据库访问抽象层”,作用是统一各种数据库的访问接口,与mysql和mysqli的函数库相比,PDO让跨数据库的使用更具有亲和力:与ADODB和MDB2相比,P ...
STM32 HAL库详解及手动移植
源: STM32 HAL库详解及手动移植
爬虫入门之urllib库详解(二)
爬虫入门之urllib库详解(二) 1 urllib模块 urllib模块是一个运用于URL的包 urllib.request用于访问和读取URLS urllib.error包括了所有urllib.r ...
Python爬虫系列-Urllib库详解
Urllib库详解 Python内置的Http请求库: * urllib.request 请求模块 * urllib.error 异常处理模块 * urllib.parse url解析模块 * url ...

随机推荐

JAVA获取计算机的IP、名称、操作系统等信息
[java] view plaincopyprint? import java.io.BufferedReader; import java.io.InputStream; import java.i ...
Android进阶(十三)网络爬虫&json应用
刚开始接触网络爬虫,怎一个"菜"字了得!经过几次的折磨,对其原理以及其中用到的json技术有了大致的了解,故作一总结,供有同样迷惑的朋友参考学习. 自己爬取的网站内容为12306的 ...
catalina.sh设置JAVA_HOME后还无法解决更换JDK有关问题
catalina.sh设置JAVA_HOME后还无法解决更换JDK问题表示linux已经安装默认的JDK,需要查找配置文件,更换JDK路径为指定的路径在root用户下使用echo $PATH 查 ...
用SpriteBuilder简化"耕牛遍地走"的动画效果(一)
这又是一个使用SpriteBuilder带来便捷的例子原文地址在: http://www.raywenderlich.com/32045/how-to-use-animations-and-spri ...
ROS(indigo)机器人操作系统学习资料和常用功能包汇总整理(ubuntu14.04LTS)
ROS(indigo)机器人操作系统学习资料和常用功能包汇总整理(ubuntu14.04LTS) 1. 网站资源: ROSwiki官网:http://wiki.ros.org/cn GitHub ...
利用编辑距离(Edit Distance)计算两个字符串的相似度
利用编辑距离(Edit Distance)计算两个字符串的相似度编辑距离(Edit Distance),又称Levenshtein距离,是指两个字串之间,由一个转成另一个所需的最少编辑操作次数.许可 ...
OJ题：将一个字符串顺序翻转
题目描述写出一个程序,接受一个字符串,然后输出该字符串反转后的字符串. 之前写过这样的一个程序,用位运算的方法去操作指针,但是那样的方法未免就有点复杂啦,不如用以下这种,简单明了. 程序如下: #i ...
学习pthreads，使用属性对象创建结合线程和分离线程
当我们创建了子线程,是让它犹如脱缰之马,信步驰骋,还是如乖巧听话的孩子,时不时教导一下呢?针对这个问题,本文介绍线程的结合和分离,结构分为三个部分,第一部分给出代码示例,第二部分对代码进行讲解,第三部 ...
css文本样式-css学习之旅（4）
color:颜色derction:方向:line-height:行高:letter-spaceing:字符间距:text-align:对齐方向:text-decoration:装饰:text-inde ...
（三十一）PickerView自定义视图
例如选择国家,左边是名称右边是国家,不应该使用两列,而是自定义PickerView的一列,可以通过xib来实现. 注意,虽然PickerView也是一列,但是数据源方法是@required,所以必须实 ...

BuautifulSoup4库详解

BuautifulSoup4库详解的更多相关文章

随机推荐

热门专题