Python_爬虫_BeautifulSoup网页解析库

BeautifulSoup网页解析库

from bs4 import BeautifulSoup

0.BeautifulSoup网页解析库包含 的 几个解析器

• Python标准库【主要,系统自带;】

  使用方法： BeautifulSoup(markup,"html.parser")【注：markup是html文档】
  
  Python的内置标准库

  案例：

from bs4 import BeautifulSoup

soup = BeautifulSoup.(html,'html.parser')

print(soup.title.string)

• lxmlHTML解析器

  BeautifulSoup(markup,'lxml)
  
  速度快、需要安装C语言库

• lxml XML解析器

  使用方法：BeautifulSoup(markup,"xml")
  
  速度快，唯一支持XML的解析器、需要安装C语言库

• html5lib

  BeautifulSoup(markup,"html5lib")
  
  容错性好，以浏览器的形式解析文档，生成html5格式的文档，但是速度慢

1.BeautifulSoup基本使用

#!/usr/bin/env python
# -*- coding:utf-8 -*- 

html="""
    <html>
        <head>
            <title>The Domouse's story</title>
        </head>
        <body>
            <p class="title" name="Domouse"><b>The Domouse's story</b></p>
            <p class="story">Once upon a time there were three little sisters;and their names were</p>
            <a href="http://www.baidu.com">百度</a>
            <p class="story">...</p>
        </body>
    </html>
    """
from bs4 import BeautifulSoup
soup = BeautifulSoup(html,'lxml')
#获取标签正文内容
print("标签内正文内容：" + soup.title.name)
#获取属性内容
print("属性内容" + soup.p.attrs['name'])
#获取内容
print("获取内容" + soup.p.string)
#获取嵌套内容（多个筛选条件）
print("获取嵌套内容" + soup.head.title.string)
#子节点 和 孙节点【重要，，当目标标签没有id 或 class时候必须用这个】
print("子节点" + soup.p.contents)   #全部子节点，返回的是列表形式
print("子节点" + soup.p.contents[2])   #第三个一级子节点，不管是什么标签
#1. 子节点#子节点【迭代器，只能用循环形式拿到数据】
soup = BeautifulSoup(html,"lxml")
print(soup.p.children)
for i,child in enumerate(soup.p.children):
    print(i,child)
#2.子孙节点
soup = BeautifulSoup(html,"lxml")
print(soup.p.descendants)
for i,child in enumerate(soup.p.descendants):
    print(i,child)
#父节点 和 祖先借点
print(list(enumerate("父节点：" + soup.a.parent))) #父节点
print(list(enumerate("祖父节点：" + soup.a.parent))) #祖父点
#获取兄弟节点

print("后面的兄弟节点" + list(enumerate(soup.a.next_siblings)))    #后面的兄弟节点
print("前面的兄弟节点" + list(enumerate(soup.a.previous_slblings)))    #前面的兄弟节点