Python网络爬虫（三）——Beutiful Soup库入门

来源：互联网发布：13.3寸mac玩cf分辨率编辑：程序博客网时间：2024/06/18 11:22

Beautiful Soup库

Beautiful Soup库的理解

Beautiful Soup库是解析、遍历、维护“标签树”的功能库

Beautiful Soup库的引用

Beautiful Soup库，也叫beautifulsoup4 或bs4

约定引用方式如下，即主要是用BeautifulSoup类

        from bs4 import BeautifulSoup        import bs4

BeautifulSoup类

BeautifulSoup对应一个HTML/XML文档的全部内容

Beautiful Soup库解析器

        soup = BeautifulSoup('<html>data<html>'，'html.parser')

解析器使用方法条件 bs4的HTML解析器 BeautifulSoup(mk,’html.parser’) 安装bs4库 lxml的HTML解析器 BeautifulSoup(mk,’lxml’) pip install lxml lxml的XML解析器 BeautifulSoup(mk,’xml’) pip install lxml html5lib的解析器 BeautifulSoup(mk,’html5lib’) pip install html5lib

BeautifulSoup类的基本元素

        <p class=“title”> … </p>

基本元素说明 Tag 标签，最基本的信息组织单元，分别用<>和标明开头和结尾 Name 标签的名字，\…\的名字是’p’，格式：\.name Attributes 标签的属性，字典形式组织，格式：\.attrs NavigableString 标签内非属性字符串，\<>…\中字符串，格式：\.string Comment 标签内字符串的注释部分，一种特殊的Comment类型

Tag标签

        >>> import requests        >>> r = requests.get("http://python123.io/ws/demo.html")        >>> r.text        >>> demo = r.text        >>> from bs4 import BeautifulSoup        >>> soup = BeautifulSoup(demo,'html.parser')        >>> print(soup.prettify())        >>> soup.title        <title>This is a python demo page</title>        >>> soup.a        <a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a>

任何存在于HTML语法中的标签都可以用soup.访问获得

当HTML文档中存在多个相同对应内容时，soup.返回第一个

Tag的name（名字）

        >>> soup.a.name        'a'        >>> soup.a.parent.name        'p'

每个都有自己的名字，通过.name获取，字符串类型

Tag的attrs（属性）

        >>> tag = soup.a        >>> tag.attrs        {'href': 'http://www.icourse163.org/course/BIT-268001', 'class': ['py1'], 'id': 'link1'}

一个可以有0或多个属性，字典类型

Tag的NavigableString

        >>> soup.a.string        'Basic Python'        >>> soup.p.string        'The demo python introduces several python courses.'        >>> type(soup.p.string)

NavigableString可以跨越多个层次

Tag的Comment

        >>> newsoup = BeautifulSoup("<b><!--This is a comment--></b><p>This is not a comment</p>","html.parser")        >>> newsoup.b.string        'This is a comment'        >>> type(newsoup.b.string)        <class 'bs4.element.Comment'>        >>> newsoup.p.string        'This is not a comment'        >>> type(newsoup.p.string)        <class 'bs4.element.NavigableString'>

Comment是一种特殊类型

基于bs4库的HTML内容遍历方法

HTML基本格式

    <html>        <head>            <title>This is a python demo page</title>        </head>        <body>            <p class="title">                <b>The demo python introduces several python courses.</b>            </p>            <p class=“course”>Python is a wonderful general‐purpose programming language.        You can learn Python from novice to professional by tracking the following courses:                <a href="http://www.icourse163.org/course/BIT‐268001" class="py1"        id="link1">Basic Python</a> and                <a href="http://www.icourse163.org/course/BIT‐1001870001" class="py2"        id="link2">Advanced Python</a>.            </p>        </body>    </html>

<>…<\> (应为“/”)构成了所属关系，形成了标签的树形结构

标签树的下行遍历

BeautifulSoup类型是标签树的根节点

属性说明 .contents 子节点的列表，将所有儿子节点存入列表 .children 子节点的迭代类型，与.contents类似，用于循环遍历儿子节点 .descendants 子孙节点的迭代类型，包含所有子孙节点，用于循环遍历

遍历儿子节点：

        for child in soup.body.children:        print(child)

遍历子孙节点：

        for child in soup.body.descendants:        print(child)

标签树的上行遍历

属性说明 .parent 节点的父亲标签 .parents 节点先辈标签的迭代类型，用于循环遍历先辈节点

遍历所有先辈节点，包括soup本身，所以要区别判断：

        >>> for parent in soup.a.parents:            if parent is None:                print(parent)            else:                print(parent.name)        p        body        html        [document]

标签树的平行遍历

属性说明 .next_sibling 返回按照HTML文本顺序的下一个平行节点标签 .previous_sibling 返回按照HTML文本顺序的上一个平行节点标签 .next_siblings 迭代类型，返回按照HTML文本顺序的后续所有平行节点标签 .previous_siblings 迭代类型，返回按照HTML文本顺序的前续所有平行节点标签

平行遍历发生在同一个父节点下的各节点间

遍历后续节点

        for sibling in soup.a.next_sibling:            print(sibling)

遍历前续节点

        for sibling in soup.a.previous_sibling:            print(sibling)

小结

基于bs4库的HTML格式输出

bs4库的prettify()方法

.prettify()为HTML文本<>及其内容增加更加’\n’

.prettify()可用于标签，方法：.prettify()

bs4库的编码

bs4库将任何HTML输入都变成utf‐8编码

Python 3.x默认支持编码是utf‐8,解析无障碍

阅读全文

0 0