这篇文章主要介绍“Python中的Beautiful Soup模块的用法”,在日常操作中,相信很多人在Python中的Beautiful Soup模块的用法问题上存在疑惑,小编查阅了各式资料,整理出简单好用的操作方法,希望对大家解答”Python中的Beautiful Soup模块的用法”的疑惑有所帮助!接下来,请跟着小编一起来学习吧!
1.Beautiful Soup模块的介绍
Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库,简单来说,它能将HTML的标签文件解析成树形结构,然后方便地获取到指定标签的对应属性,还可以方便的实现全站点的内容爬取和解析;
Beautiful Soup支持Python标准库中的HTML解析器,还支持一些第三方的解析器,如果我们不安装它,则 Python 会使用 Python默认的解析器;
lxml 是python的一个解析库,支持HTML和XML的解析,html5lib解析器能够以浏览器的方式解析,且生成HTML5文档;
pip install beautifulsoup4pip install html5libpip install lxml
2. Beautiful Soup模块解析HTML文档
假如现在有一段不完整的HTML代码,我们现在要使用Beautiful Soup模块来解析这段HTML代码
data = ''' <html><head><title>The Dormouse's story</title></he<body> <p class="title"><b id="title">The Dormouse's story</b></p> <p class="story">Once upon a time there were three <a href="http://example.com/elsie" class="sister" i<a href="http://example.com/lacie" class="sister" i<a href="http://example.com/tillie" class="sister" and they lived at the bottom of a well.</p> <p class="story">...</p> '''
首先需要导入BeautifulSoup模块,再实例化BeautifulSoup对象
from bs4 import BeautifulSoup soup = BeautifulSoup(data,'lxml')
然后通过BeautifulSoup提供的方法就可以拿到HTML的元素、属性、链接、文本等,BeautifulSoup模块可以将不完整的HTML文档,格式化为完整的HTML文档 ,比如我们打印print(soup.prettify())
看一下输出什么?
<html> <head> <title> The Dormouse's story </title> </head> <body> <p class="title"> <b id="title"> The Dormouse's story </b> </p> <p class="story"> Once upon a time there were three <a a="" and="" at="" bottom="" class="sister" href="http://example.com/elsie" i="" lived="" of="" the="" they="" well.=""> <p class="story"> ... </p> </a> </p> </body></html>
获取标签,如title标签,a标签等
print('title = {}'.format(soup.title)) # 输出:title = <title>The Dormouse's story</title>print('a={}'.format(soup.a))
获取标签的名称,如title标签,body标签等
print('title_name = {}'.format(soup.title.name))# 输出:title_name = titleprint('body_name = {}'.format(soup.body.name))# 输出:body_name = body
获取标签的内容,如title标签
print('title_string = {}'.format(soup.title.string))# 输出:title_string = The Dormouse's story
如果想要获取某个标签的父标签的名称,可以使用parent,如title标签,可以得到父标签head标签,且会自定补齐不完整的标签;
print('title_pareat_name = {}'.format(soup.title.parent))# 输出:title_pareat_name = <head><title>The Dormouse's story</title></head>
获取第一个p标签
print('p = {}'.format(soup.p))# 输出:p = <p class="title"><b>The Dormouse's story</b></p>
获取第一个p标签的class的值,获取第一个a标签的class值
print('p_class = {}'.format(soup.p["class"]))# 输出:p_class = ['title']print('a_class = {}'.format(soup.a["class"]))# 输出:a_class = ['sister']
获取所有的标签
# 获取所有的a标签print('a = {}'.format(soup.find_all('a')))# 获取所有的p标签 print('p = {}'.format(soup.find_all('p')))
获取id为link3的标签
print('a_link = {}'.format(soup.find(id='title')))# 输出:a_link = <b id="title">The Dormouse's story</b>
3.BeautifulSoup中的对象
BeautifulSoup对象分为四类,分别是
Tag(获取标签)
,NavigableString(获取标签内容)
,BeautifulSoup(根标签)
,Comment(标签内的所有的文本)
;
语法:
soup.标签名
:获取HTML中的标签;soup.标签名.name
:获取HTML中标签的名称;soup.标签名.attrs
:获取标签的所有属性;soup.标签名.string
:获取HTML中标签的文本内容;soup.标签名.parent
:获取HTML中标签的父标签;prettify()方法
:可以将Beautiful Soup的文档树格式化后以Unicode编码输出,每个XML/HTML标签都独占一行;
4.遍历文档
contents
:获取所有子节点,返回一个列表,可以通过下标取值;
soup = BeautifulSoup(html,"lxml")# 返回一个列表print(soup.p.contents)# 拿到第一个子节点print(soup.p.contents[0])
children
:返回子节点的生成器对象;
for tag in soup.p.children: print(tag)
soup.strings
:获取所有节点的内容,包括空格;
soup = BeautifulSoup(html,"lxml")for content in soup.strings: print(repr(content))
soup.stripped_strings
:获取所有节点的内容,不包括空格;
soup = BeautifulSoup(html,"lxml")for tag in soup.stripped_strings: print(repr(tag))
5.查找标签
find_all()
:查找所有指定标签名称的子节点(可同时查找多个标签),并判断是否符合过滤器的条件,返回一个列表;
soup = BeautifulSoup(html,"lxml")print(soup.find_all('a'))print(soup.find_all(['a','p']))print(soup.find_all(re.compile('^a')))
find()
:和find_all()差不多,但是find_all() 方法的返回结果是值包含一个元素的列表,而 find() 方法直接返回结果;
soup = BeautifulSoup(html,"lxml")print(soup.find('a'))
到此,关于“Python中的Beautiful Soup模块的用法”的学习就结束了,希望能够解决大家的疑惑。理论与实践的搭配能更好的帮助大家学习,快去试试吧!若想继续学习更多相关知识,请继续关注编程网网站,小编会继续努力为大家带来更多实用的文章!