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

.NET敏捷开发框架-RDIFramework.NET V5.1发布(跨平台)
RDIFramework.NET,基于全新.NET Framework与.NET Core的快速信息化系统敏捷开发.整合框架,给用户和开发者最佳的.Net框架部署方案.为企业快速构建跨平台.企业级的应 ...
Springboot+Mysql 图书管理系统【源码+sql】
java项目学生图书管理系统 (源码+数据库文件)技术框架:java+springboot+mysql后端框架: Spring Boot.Spring MVC.MyBatis Plus前端界面: T ...
SpringBoot自动装配原理剖析（自己理解，有错请指出）
注解主类 @SpringBootApplication @EnableAutoConfiguration @Import({AutoConfigurationImportSelector.class ...
APISIX Ingress 如何使用 Cert Manager 管理证书
Apache APISIX Ingress Controller 是一款以 Apache APISIX 作为数据面的 Kubernetes Ingress Controller 开源工具,目前已经更新 ...
批量更新Postgresql的序列
序列(sequence)是 PostgreSQL 中的一种对象,用于生成自动递增的唯一标识符.通常,序列会与表的自增主键一起使用,以确保每个新插入的行都有一个唯一的标识符.在某些情况下,可能需要更新序 ...
Django笔记三十二之session登录验证操作
本文首发于公众号:Hunter后端原文链接:Django笔记三十二之session登录验证操作这一篇笔记将介绍 session 相关的内容,包括如何在系统中使用 session,以及利用 sess ...
Godot报错 Node not found: "SubViewport"[一问随笔]
问题: 使用TextureRect显示SubViewport的内容,结果发生了如下报错 E 0:00:01:0007 get_node: Node not found: "SubViewpo ...
WPF 屏幕点击的设备类型
1.鼠标可以通过Mouse相关的事件参数MouseButtonEventArgs中的数据,e.StylusDecice==null表示没有触摸设备,所以设备为鼠标 2.触笔 or 触摸根据Styl ...
考前必备fa宝——对拍
2022.11.24:晚上zxs学长发来了他的博客,所以我仿照写一篇. https://www.cnblogs.com/Dita/p/duipai.html 对拍对拍这个东西,就是可以比较两份代码跑 ...
Java代码读取properties配置文件
读取properties配置文件 package com.easycrud.utils; import java.io.IOException; import java.io.InputStream; ...

【Python】Beautiful Soup

简介