BeautifulSoup4库
BeautifulSoup4库
和lxml一样，Beautiful Soup也是一个HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML数据。
lxml只会局部遍历，而Beautiful Soup是基于HTMLDOM的，会载入整个文档，解析整个DOM树，因此时间和内存开销都会大很多，所以性能要低于lxml。
BeautifulSoup用未解析HTML比较简单，AP非常人性化，支持CSS选择器、Python标准库中的HTML解析器，也支持lxml的XML解析器。
Beautiful Soup3目前已经停止开发，推荐现在的项目使用Beautiful Soup 4。
解析工具
| 解析工具 | 解析速度 | 使用难度 |
| BeautifulSoup | 最慢 | 最简单 |
| lxml | 快 | 简单 |
| re正则 | 最快 |
简单使用：
import requests
from bs4 import BeautifulSoup
url = "https://baike.baidu.com/item/%E7%99%BE%E5%BA%A6%E7%99%BE%E7%A7%91"
headers = {
"User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/62.0.3202.62 Safari/537.36",
"Accept":"text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,image/apng,*/*;q=0.8"
} url1 = requests.get(url, headers=headers)
url1.encoding="urf-8" #适用于文字出现乱码
soup = BeautifulSoup(url1.text,'lxml')
'''
print(soup.title) #输出标题(标签)
print(soup.a.string) #输出a标签内的文字
print(soup.p.attrs) #输出p标签的所有属性 得到的类型是一个字典 如果想单独获得一个属性 ：soup.p['class']
#遍历文档树
print(soup.head.contents) # .content 属性可以将tag的子节点以列表的方式输出
#print(soup.head.children) 通过遍历获取所有子节点
for child in soup.body.children:
print(child)
for child in soup.descendants:
print(child) for string in soup.stripped_strings:
print(repr(string)) #可以去除多余空白内容 content = soup.head.title.string
for parent in content.parents:
print(parent.name) #全部父节点
'''
for sibling in soup.a.next_siblings:
print(repr(sibling))
提取数据
from bs4 import BeautifulSoup text = """
<table class="tablelist" cellpadding="0" cellspacing="0">
<tbody><tr class="h">
<td class="l" width="374">职位名称</td>
<td>职位类别</td>
<td>人数</td>
<td>地点</td>
<td>发布时间</td>
</tr>
<tr class="even">
<td class="l square"><a target="_blank" href="position_detail.php?id=44606&keywords=技术&tid=0&lid=0">MIG09-QQ浏览器视频前端开发工程师</a></td>
<td>技术类</td>
<td>1</td>
<td>深圳</td>
<td>2018-10-01</td>
</tr>
<tr class="odd">
<td class="l square"><a target="_blank" href="position_detail.php?id=44599&keywords=技术&tid=0&lid=0">17520-U3D手游客户端开发</a></td>
<td>技术类</td>
<td>2</td>
<td>深圳</td>
<td>2018-10-01</td>
</tr>
<tr class="even">
<td class="l square"><a target="_blank" href="position_detail.php?id=44602&keywords=技术&tid=0&lid=0">22989-腾讯云高级文档开发经理（深圳）</a></td>
<td>产品/项目类</td>
<td>2</td>
<td>深圳</td>
<td>2018-10-01</td>
</tr>
<tr class="odd">
<td class="l square"><a target="_blank" href="position_detail.php?id=44604&keywords=技术&tid=0&lid=0">18796-Android开发工程师（深圳）</a><span class="hot"> </span></td>
<td>技术类</td>
<td>1</td>
<td>深圳</td>
<td>2018-10-01</td>
</tr>
<tr class="even">
<td class="l square"><a target="_blank" href="position_detail.php?id=44591&keywords=技术&tid=0&lid=0">29050-数据安全经理/专家（北京）</a></td>
<td>职能类</td>
<td>2</td>
<td>北京</td>
<td>2018-10-01</td>
</tr>
<tr class="odd">
<td class="l square"><a target="_blank" href="position_detail.php?id=44587&keywords=技术&tid=0&lid=0">29050-CII政策发展经理</a></td>
<td>职能类</td>
<td>2</td>
<td>深圳</td>
<td>2018-10-01</td>
</tr>
<tr class="even">
<td class="l square"><a target="_blank" href="position_detail.php?id=44588&keywords=技术&tid=0&lid=0">29050-CII政策发展经理</a></td>
<td>职能类</td>
<td>2</td>
<td>北京</td>
<td>2018-10-01</td>
</tr>
<tr class="odd">
<td class="l square"><a target="_blank" href="position_detail.php?id=44590&keywords=技术&tid=0&lid=0">29050-数据安全经理/专家（深圳）</a></td>
<td>职能类</td>
<td>2</td>
<td>深圳</td>
<td>2018-10-01</td>
</tr>
<tr class="even">
<td class="l square"><a target="_blank" href="position_detail.php?id=44581&keywords=技术&tid=0&lid=0">28994-区块链底层开发工程师（深圳）</a></td>
<td>技术类</td>
<td>2</td>
<td>深圳</td>
<td>2018-10-01</td>
</tr>
<tr class="odd">
<td class="l square"><a target="_blank" href="position_detail.php?id=44583&keywords=技术&tid=0&lid=0">29050-CII产品合规经理</a></td>
<td>职能类</td>
<td>2</td>
<td>深圳</td>
<td>2018-10-01</td>
</tr>
<tr class="f">
<td colspan="5">
<div class="left">共<span class="lightblue total">1184</span>个职位</div>
<div class="right"><div class="pagenav"><a href="javascript:;" class="noactive" id="prev">上一页</a><a class="active" href="javascript:;">1</a><a href="position.php?keywords=技术&start=10#a">2</a><a href="position.php?keywords=技术&start=20#a">3</a><a href="position.php?keywords=技术&start=30#a">4</a><a href="position.php?keywords=技术&start=40#a">5</a><a href="position.php?keywords=技术&start=50#a">6</a><a href="position.php?keywords=技术&start=60#a">7</a><a href="position.php?keywords=技术&start=70#a">...</a><a href="position.php?keywords=技术&start=1180#a">119</a><a href="position.php?keywords=技术&start=10#a" id="next">下一页</a><div class="clr"></div></div></div>
<div class="clr"></div>
</td>
</tr>
</tbody>
</table>
"""
soup = BeautifulSoup(text,'lxml')
# 1.获得所有tr标签
# trs = soup.find_all('tr') #find_all('tr',limit=2) limit为上限值 意思是只获得2个tr标签
# for tr in trs:
# print(tr) # 2.获取第二个标签
# tr = soup.find_all('tr')[1]
# print(tr) # 3.获取所有class等于even的tr标签
# （方法1）
# trs = soup.find_all('tr',class_='even') #class后必须加_ 对python关键字进行区分
# for tr in trs:
# print(tr)
# (方法2)
# trs = soup.find_all('tr',attrs={'class':"even"}) #指定字典的显示匹配
# for tr in trs:
# print(tr) # 4.将所有id等于prev,class等于noactive的a标签提取出来
# trs = soup.find_all('a',class_='noactive',id='prev') #多个条件 或 trs = soup.find_all('a',attrs={"id":"prev","class":"noactive"})
# for tr in trs:
# print(tr) # 5.获得所有a标签的href属性
# alist = soup.find_all('a')
#
# for a in alist:
# # (1).通过下标操作的方式
# # href=a['href'] #下标方式
# # print(href)
# # (2).通过attrs属性的方式
# href= a.attrs['href']
# print(href) # 6.获取职位信息
trs = soup.find_all("tr")[1:] #第0个（地址）tr标签过滤
movies = []
for tr in trs:
movie = {}
#(方法1)
# tds = tr.find_all("td")
# print(tds[1].string)
# title = tds[0].string
# category = tds[1].string
# nums = tds[2].string
# city = tds[3].string
# pubtime = tds[4].string
# movie['title'] = title
# movie['category'] = category
# movie['nums'] = nums
# movie['city'] = city
# movie['pubtime'] = pubtime
# movies.append(movie)
#(方法2)
infos = list(tr.stripped_strings) #获取所有非空白字符（过滤空格、回车等字符）
movie['title'] = infos[0]
movie['category'] = infos[1]
movie['nums'] = infos[2]
movie['city'] = infos[3]
movie['pubtime'] = infos[4]
movies.append(movie)
print(movies)
#BeautifulSoup笔记：
##find_a11的使用：
1.在提取标签的时候，第一个参数是标签的名字。然后如果在提取标签的时候想要使用标签属性进行过滤，那么可以在这个方法中通过关键字参数的形式，将属性的名字以及对应的值传进去。或者是使用“attrs“属性，将所有的属性以及对应的值放在一个字典中传给attrs 属性。
2.有些时候，在提取标签的时候，不想提取那么多，那么可以使用‘1imit'参数。限制提取多少个。
##find与find_a11的区别：
1.find：找到第一个满足领件的标签就返回。说白了，就是只会返回一个元素。
2.find_al1：将所有满足条件的标签都返回。说白了，会返回很多标签（以列表的形式）
##使用find和find_al1的过滤条件：
1.关键字参数：将属性的名字作为关键字参数的名字，以及属性的值作为关键字参数的值进行过滤
2.attrs参数：将属性条件放到一个字典中，传给attrs参数。 ##strings和stripped_strings、string属性以及get_text方法：
1.string：获取某个标签下的非标签字符串。
2.strings：获取某个标签下的子孙非标签字符串。
2.stripped_strings：获取某个标签下的子孙非标签字符串，会去掉空白字符。
4.get_text：获取某个标签下的子孙非标签字符串。不是以列表的形式返回。
eg： tr=soup.find_all('tr')[1]
text=tr.get_text()
##常见的四种对象：
1.Tag:Beautifulsoup中所有的标签都是Tag类型，并且BeautifulSoup的对象其实本质上也是一个Tag类型。所以其实一些方法比如find、find_all并不是BeautifulSoup的，而是Tag的。
2.Navigablestring：继承自python中的str，用起来就跟使用python的str是一样的。
3.BeautifulSoup：继承自Tag。用来生成BeautifulSoup树的。对于一些查找方法，比如find、select这些，其实还是Tag的。
4.Comment：这个也没什么好说，就是继承自Navigablestring。
##contents和children：
返回某个标签下的直接子元素，其中也包括字符串。他们两的区别是：.contents返回来的是一个列表，.children返回的是一个迭代器。|
BeautifulSoup4库的更多相关文章
- Python网络爬虫——BeautifulSoup4库的使用
使用requests库获取html页面并将其转换成字符串之后,需要进一步解析html页面格式,提取有用信息. BeautifulSoup4库,也被成为bs4库(后皆采用简写)用于解析和处理html和x ...
- Python:requests库、BeautifulSoup4库的基本使用（实现简单的网络爬虫）
Python:requests库.BeautifulSoup4库的基本使用(实现简单的网络爬虫) 一.requests库的基本使用 requests是python语言编写的简单易用的HTTP库,使用起 ...
- Python 爬虫 BeautifulSoup4 库的使用
BeautifulSoup4库 和 lxml 一样,Beautiful Soup 也是一个HTML/XML的解析器,主要的功能也是如何解析和提取 HTML/XML 数据.lxml 只会局部遍历,而Be ...
- 爬虫学习笔记2requests库和beautifulsoup4库学习笔记
目录 1.requests库 1.1 安装 2.beautifulsoup4 2.1 常用方法 2.2 bs4 中四大对象种类 2.3 遍历文档树 2.4 搜索文档树 查询id=head的Tag 查询 ...
- 用requests库和BeautifulSoup4库爬取新闻列表
import requests from bs4 import BeautifulSoup url='http://news.gzcc.cn/html/xiaoyuanxinwen/' res=req ...
- 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 p ...
- python BeautifulSoup库的基本使用
Beautiful Soup 是用Python写的一个HTML/XML的解析器,它可以很好的处理不规范标记并生成剖析树(parse tree). 它提供简单又常用的导航(navigating),搜索以 ...
- python应用之爬虫实战2 请求库与解析库
知识内容: 1.requests库 2.selenium库 3.BeautifulSoup4库 4.re正则解析库 5.lxml库 参考: http://www.cnblogs.com/wupeiqi ...
- 【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 ...
随机推荐
- python实现猜字游戏
import randomx = random.randint(0,99)while(True): num = input("please input a number\n") i ...
- ACM-自学之旅
分类 知识清单 数据结构 链式前向星 树状数组 线段树 线段树的区间合并 基于ST表格的RMQ 图论 最近公共祖先 树的直径.树的重心与树的点分治 树的最小支配集,最小点覆盖与最大独立集 求无向连通图 ...
- Linux uniq 命令
Linux uniq 命令 Linux 命令大全 Linux uniq 命令用于检查及删除文本文件中重复出现的行列,一般与 sort 命令结合使用. uniq 可检查文本文件中重复出现的行列. 语法 ...
- mysql常用的用户授权语句
一:授权主要的 SQL //某个数据库所有的权限 ALL 后面+ PRIVILEGES GRANT ALL PRIVILEGES ON 库名.* TO '用户'@'%' IDENTIFIED BY ' ...
- Python正则表达式指南(转)
目录 Python正则表达式指南(转) 0.防走丢 1. 正则表达式基础 1.1. 简单介绍 1.2. 数量词的贪婪模式与非贪婪模式 1.3. 反斜杠的困扰 1.4. 匹配模式 2. re模块 2.1 ...
- Python：Mac 下 MQTT 服务器 Mosquitto 的配置
我在Mac电脑上搭建时遇到了一些不同于网上大部分情况的问题,特此分享给可能也有遇到相同情况又找不到解决方法的人. 我的电脑系统:macOS Mojave 10.14.3. paho-mqtt 的安装 ...
- beego学习1
下载 go get -u -v github.com/astaxie/beego beego源码 go get -u -v github.com/beego/bee bee开发工具 bee ...
- ArcGis Python脚本——将细碎小面合并到相邻的面积最大的面
参数: polygon_fc 面要素类 area_limit 给定面积值,小于它的面会被合并 给定两个参数即可,这回没有注释. #polygon_fc 面要素类 #area_limit 给定面积值,小 ...
- windows 7 命令修改IP地址
netsh interface ip set address "本地连接" static 172.17.15.97 255.255.255.0 172.17.12.1
- PMP知识点（四）——项目管理计划的内容
项目管理计划([4.2制定项目管理计划]的输出) 包含三个基准和十三个子计划和一些其他内容 三个基准:成本基本.进度基准.范围基准 其中范围基准([5.4创建WBS]的输出)包含了:项目范围说明书.W ...