简介

Beautiful Soup 对象我全部使用soup表示；
Beautiful Soup 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。

1、创建Beautiful Soup 对象

1.1 soup.prettify()

from bs4 import BeautifulSoup

html_content = """

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

<body>

<p class="title" name="dromouse"><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>

"""

#使用html5lib 解释器解释html_conten的内容

soup = BeautifulSoup(html_content,"html5lib")

# 格式化输出html

print(soup.prettify())

该方法是将html进行格式化，输出的内容就是格式化后的html代码。

1.2 soup.标签名

# 输出第一个 title 标签

print(soup.title)

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

# 输出第一个 p 标签

print(soup.p)

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

1.3 soup.标签名.name

# 输出第一个 title 标签的标签名称

print(soup.title.name)

# title

# 输出第一个 p 标签的标签名称

print(soup.p.name)

# p

1.4 soup.标签名.string

# 输出第一个 title 标签的包含内容

print(soup.title.string)

# The Dormouse's story

# 输出第一个 p 标签的包含内容

print(soup.p.string)

# The Dormouse's story

1.5 soup.标签名.parent.name

# 输出第一个 title 标签的父标签的标签名称

print(soup.title.parent.name)

# head

# 输出第一个 title 标签的父标签的标签名称

print(soup.p.parent.name)

# body

1.6 soup.标签名['属性名']

# 输出第一个 p 标签的 class 属性内容

print(soup.p['class'])

# ['title']

# 输出第一个 a 标签的  href 属性内容

print(soup.a['href'])

# http://example.com/elsie

1.7 修改、删除、添加soup的属性

#操作方法与字典一样

# 修改第一个 a 标签的href属性为 http://www.baidu.com/

soup.a['href'] = 'http://www.baidu.com/'

# 给第一个 a 标签添加 name 属性

soup.a['name'] = u'百度'

# 删除第一个 a 标签的 class 属性为

del soup.a['class']

print(soup.a)

#<a href="http://www.baidu.com/" id="link1" name="百度"><!-- Elsie --></a>

1.8 soup.标签名.contents

##输出第一个 p 标签的所有子节点

print(soup.p.contents)

#[<b>The Dormouse's story</b>]

1.9 soup.find()

# 输出第一个 id 属性等于  link3 的  a 标签

print(soup.find(id="link3"))

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

# 输出第一个  a 标签

print(soup.find('a'))

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

#查找ID位link2的a标签的文本

find_a = soup.find('a',id='link2')

print(find_a)

# The Dormouse's story

1.10 soup.find_all()

得到是一个序列，我们可以是用遍历的方式对其进行输出，可以得到它的相关属性以及文本的值；

# 输出所有的 a 标签，以列表形式显示

# print(soup.find_all('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>]

# 查找所有的a标签

find_all_a = soup.find_all('a')

print("查找所有的a标签")

for a_tag in find_all_a:

   print(a_tag.getText())

   print(a_tag.get('href'))

print soup.find_all("a", class_="sister")  

# 通过属性进行查找

print soup.find_all("a", attrs={"class": "sister"})  

# 通过文本进行查找

print soup.find_all(text="Elsie")

print soup.find_all(text=["Tillie", "Elsie", "Lacie"])  

# 限制结果个数

print soup.find_all("a", limit=2)

1.11 get_text()

#获取所有文字内容

print(soup.get_text())

'''

The Dormouse's story  

The Dormouse's story

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

,

Lacie and

Tillie;

and they lived at the bottom of a well.

...

'''

#获取第一个p标签的内容

print(soup.p.get_text())

# The Dormouse's story

1.12 soup.标签名.attrs

# 输出第一个  a 标签的所有属性信息

print(soup.a.attrs)

# {'href': 'http://example.com/elsie', 'class': ['sister'], 'id': 'link1'}

1.13 正则匹配

# 正则匹配，名字中带有b的标签

for tag in soup.find_all(re.compile(r"b")):

    print(tag.name)

"""

body

b

"""

2、四大内置对象

Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种:

Tag
NavigableString
BeautifulSoup
Comment

Tag

Tag 是什么？通俗点讲就是 HTML 中的一个个标签；
两个重要的属性，是 name 和 attrs

name

print(soup.name)

# soup 对象本身比较特殊，它的 name 即为 [document]，对于其他内部标签，输出的值便为标签本身的名称。

print(soup.a.name)

# a

attrs

print(soup.p.attrs)

#{'class': ['title'], 'name': 'dromouse'}

#在这里，我们把 p 标签的所有属性打印输出了出来，得到的类型是一个字典。

#如果要获取到某个属性的值，我们可以这样：

print(soup.p['name'])

# dromouse

print(soup.p.get('name'))

# dromouse

删除、修改属性

soup.p['class']="newClass"

print (soup.p )

#<p class="newClass" name="dromouse"><b>The Dormouse's story</b></p> 

del soup.p['class']

print soup.p

#<p name="dromouse"><b>The Dormouse's story</b></p>

contents[n] 获取第n个节点的内容

head = soup.find('head')

#head = soup.head

#head = soup.contents[0].contents[0]

print head  

html = soup.contents[0]       # <html> ... </html>

head = html.contents[0]       # <head> ... </head>

body = html.contents[1]       # <body> ... </body>

2.2 NavigableString

string

获取到标签里面的内容

# 获取到第一个p 标签的内容

print(soup.p.string)

2.3 BeautifulSoup

BeautifulSoup 对象表示的是一个文档的全部内容.大部分时候,可以把它当作 Tag 对象，是一个特殊的 Tag，我们可以分别获取它的类型，名称，以及属性来感受一下

print type(soup.name)

#<type 'unicode'>

print soup.name

# [document]

print (soup.attrs )

#{} 空字典

2.4 Comment

Comment 对象是一个特殊类型的 NavigableString 对象，其实输出的内容仍然不包括注释符号，但是如果不好好处理它，可能会对我们的文本处理造成意想不到的麻烦。

我们找一个带注释的标签

print (soup.a )

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

print soup.a.string

#Elsie

print type(soup.a.string)

#<class 'bs4.element.Comment'>

本文参考：[python BeautifulSoup库用法总结

](https://www.cnblogs.com/scios/p/8652760.html)

【Python】Beautiful Soup的更多相关文章

【python】Beautiful Soup的使用
1. Beautiful Soup的简介简单来说,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.pyt ...
【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 ...
【爬虫】beautiful soup笔记（待填坑）
Beautiful Soup是一个第三方的网页解析的模块.其遵循的接口为Document Tree,将网页解析成为一个树形结构. 其使用步骤如下: 1.创建对象:根据网页的文档字符串 2.搜索节点:名 ...
【python】列出http://www.cnblogs.com/xiandedanteng中所有博文的标题
代码: # 列出http://www.cnblogs.com/xiandedanteng中所有博文的标题 from bs4 import BeautifulSoup import requests u ...
【Python②】python之首秀
第一个python程序再次说明:后面所有代码均为Python 3.3.2版本(运行环境:Windows7)编写. 安装配置好python后,我们先来写第一个python程序.打开IDLE (P ...
【python】多进程锁multiprocess.Lock
[python]多进程锁multiprocess.Lock 2013-09-13 13:48 11613人阅读评论(2) 收藏举报分类: Python(38) 同步的方法基本与多线程相同. ...
【python】SQLAlchemy
来源:廖雪峰对比:[python]在python中调用mysql 注意连接数据库方式和数据操作方式! 今天发现了个处理数据库的好东西:SQLAlchemy 一般python处理mysql之类的数据库 ...
【Python】如何安装easy_install?
[Python]如何安装easy_install? http://jingyan.baidu.com/article/b907e627e78fe146e7891c25.html easy_instal ...
【Python】零碎知识积累 II
[Python] 零碎知识积累 II ■ 函数的参数默认值在函数定义时确定并保存在内存中,调用函数时不会在内存中新开辟一块空间然后用参数默认值重新赋值,而是单纯地引用这个参数原来的地址.这就带来了一个 ...

随机推荐

IT技术相关学习网站推荐
引入在线jQuery的地址 http://code.jquery.com 唠嗑吧 IT技术经验交流 http://www.laodao8.com 博学谷视频库传智播客 http:// ...
【Spring5】框架新功能
Spring5框架新功能整个Spring5框架的代码基于Java8,运行时兼容JDK9,许多不建议使用的类和方法在代码库中删除. Spring5自带了通用的日志封装:log4j2 已经移除了log4 ...
Proxy 与 Object.defineProperty 优劣对比？
Proxy的优势如下 1.Proxy 可以直接监听对象而不是属性(Object.defineProperty一次只能监视一个属性,如果要监视一个对象,那么需要遍历这个对象),可以直接监听数组的变化(O ...
一款能“干掉” ChatGPT 的应用「GitHub 热点速览」
据说有了它,ChatGPT 就可以靠边站了.因为 Auto-GPT 能更加主动地完成你给他的指定任务,不用做更多的人为干涉,它的推理能力比 ChatGPT 更强,有人用它解放双手做了个 React 网 ...
Kubernetes集群调度增强之超容量扩容
作者:京东科技徐宪章 1 什么是超容量扩容超容量扩容功能,是指预先调度一定数量的工作节点,当业务高峰期或者集群整体负载较高时,可以使应用不必等待集群工作节点扩容,从而迅速完成应用横向扩容.通常情况 ...
SRAM 测试总结
SoC随着工艺进步设计复杂度增加,embeded sram也越来越多.在40nm SoC产品Sram一般在20Mbits左右,当工艺发展到28nm时Sram就增加到100Mbits.如果考虑AI产品, ...
Spring Security 报：Encoded password does not look like BCrypt
SpringBoot 集成 Security 时,报 Encoded password does not look like BCrypt 原因:SecurityConfig 必须 Bean 的形式实 ...
Netty服务端开发及性能优化
作者:京东物流王奕龙 Netty是一个异步基于事件驱动的高性能网络通信框架,可以看做是对NIO和BIO的封装,并提供了简单易用的API.Handler和工具类等,用以快速开发高性能.高可靠性的网络服 ...
Python网页开发神器fac 0.2.8、fuc 0.1.28新版本更新内容介绍
fac项目地址:https://github.com/CNFeffery/feffery-antd-components fuc项目地址:https://github.com/CNFeffery/fe ...
「Vue系列」之Vue2实现当前组件重新加载
遇到问题的场景:需要把当前组件完全还原成初始化状态,不要页面全部刷新例如:重置按钮,只刷新当前加载组件其他办法:使用vue-router重新定向到当前页面,页面不刷新使用window-reload() ...

【Python】Beautiful Soup

简介