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

随手记：redis 开发注意事项
Redis开发建议 1.冷热数据分离,不要将所有数据全部都放到Redis中虽然Redis支持持久化,但是Redis的数据存储全部都是在内存中的,成本昂贵.建议根据业务只将高频热数据存储到Redis中 ...
SLBR通过自校准的定位和背景细化来去除可见的水印
一.简要介绍本文简要介绍了论文"Visible Watermark Removal via Self-calibrated Localization and Background Re ...
两种路由模式的区别(hash模式,history模式)
1. hash 带#号的,history不带#号2.hash模式用的hashChange监听路径的变化3.history用的是HTML5相关的API语法使用pushState => 添加一条历 ...
boot-admin整合flowable官方editor-app进行BPMN2.0建模
正所谓百家争鸣.见仁见智.众说纷纭.各有千秋!在工作流bpmn2.0可视化建模工具实现的细分领域,网上扑面而来的是 bpmn.js 这个渲染工具包和web建模器,而笔者却认为使用flowable官方开 ...
Callback详解
Callbacks Callback Registration 在 Rails 中,回调(Callbacks)是一种在模型对象的生命周期中执行特定代码的机制.回调可以在模型对象的创建.更新.删除等操作 ...
文章学习：TPRE：分布式门限代理重加密
学习文章:TPRE:分布式门限代理重加密前言成方金科新技术实验室与隐语团队合作,构建了"基于国密的分布式门限代理重加密算法TPRE",为用户提供了一种安全.高效.自主可控的数据 ...
Netty之数据解码
一.概况作为Java世界使用最广泛的网络通信框架Netty,其性能和效率是有目共睹的,好多大公司都在使用如苹果.谷歌.Facebook.Twitter.阿里巴巴等,所以不仅仅是因为Netty有高效的 ...
今日分享：目前目标责任成本明细单价已设置，机构参数设置-物资合同单价超目标责任成本明细单价Y%时不能保存，该参数已设置但未生效是为什么？
在编制的时候-"材料类别设置"中,不勾选"管控".
vue全家桶进阶之路42：Vue3 SCSS、SASS、CSS
SCSS和SASS都是CSS预处理器,它们的主要目的是简化CSS的编写,增加可维护性,并提供更丰富的功能.下面是它们与普通的CSS的区别: 语法:SCSS和SASS都具有比普通CSS更丰富的语法.其中 ...
ICANN 2001-Learning to Learn Using Gradient Descent
Key Gradient Descent+LSTM元学习器解决的主要问题在之前的机器学习的学习方法中,不会利用到之前的经验,利用到之前经验的"knowledge transfer&quo ...

【Python】Beautiful Soup

简介