Beautifulsoup模块
来源：互联网 发布：指南针软件注销 编辑：程序博客网 时间：2024/05/22 16:58
一 介绍
Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间.你可能在寻找 Beautiful Soup3 的文档,Beautiful Soup 3 目前已经停止开发,官网推荐在现在的项目中使用Beautiful Soup 4, 移植到BS4
#安装 Beautiful Souppip install beautifulsoup4#安装解析器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,其中一个是 lxml .根据操作系统不同,可以选择下列方法来安装lxml:$ apt-get install Python-lxml$ easy_install lxml$ pip install lxml另一个可供选择的解析器是纯Python实现的 html5lib , html5lib的解析方式与浏览器相同,可以选择下列方法来安装html5lib:$ apt-get install Python-html5lib$ easy_install html5lib$ pip install html5lib
下表列出了主要的解析器,以及它们的优缺点,官网推荐使用lxml作为解析器,因为效率更高. 在Python2.7.3之前的版本和Python3中3.2.2之前的版本,必须安装lxml或html5lib, 因为那些Python版本的标准库中内置的HTML解析方法不够稳定.
- Python的内置标准库
- 执行速度适中
- 文档容错能力强
- Python 2.7.3 or 3.2.2)前 的版本中文档容错能力差
- 速度快
- 文档容错能力强
- 需要安装C语言库
BeautifulSoup(markup, ["lxml", "xml"])
BeautifulSoup(markup, "xml")
- 速度快
- 唯一支持XML的解析器
- 需要安装C语言库
- 最好的容错性
- 以浏览器的方式解析文档
- 生成HTML5格式的文档
- 速度慢
- 不依赖外部扩展
中文文档：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html
二 基本使用
html_doc = """<html><head><title>The Dormouse's story</title></head><body><p class="title"><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>"""#基本使用：容错处理,文档的容错能力指的是在html代码不完整的情况下,使用该模块可以识别该错误。使用BeautifulSoup解析上述代码,能够得到一个 BeautifulSoup 的对象,并能按照标准的缩进格式的结构输出from bs4 import BeautifulSoupsoup=BeautifulSoup(html_doc,'lxml') #具有容错功能res=soup.prettify() #处理好缩进，结构化显示print(res)
三 标签选择器
#1、标签选择器：即直接通过标签名字选择，选择速度快，如果存在多个相同的标签则只返回第一个#2、获取标签的名称#3、获取标签的属性#4、获取标签的内容#5、嵌套选择#6、子节点、子孙节点#7、父节点、祖先节点#8、兄弟节点
#1、标签选择器：即直接通过标签名字选择，选择速度快，如果存在多个相同的标签则只返回第一个html_doc = """<html><head><title>The Dormouse's story</title></head><body><p class="title"><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>"""from bs4 import BeautifulSoupsoup=BeautifulSoup(html_doc,'lxml')print(soup.head)print(type(soup.head)) #<class 'bs4.element.Tag'>print(soup.p) #存在多个相同的标签则只返回第一个print(soup.a) #存在多个相同的标签则只返回第一个#2、获取标签的名称print(soup.p.name)#3、获取标签的属性print(soup.p.attrs)#4、获取表的内容print(soup.p.string)'''对下面的这种结构，soup.p.string 返回为None,因为里面有a<p id='list-1'> 哈哈哈哈 <a class='sss'> <span> <h1>aaaa</h1> </span> </a> <b>bbbbb</b></p>'''#5、嵌套选择print(soup.head.title.string)print(soup.body.a.string)#6、子节点、子孙节点html_doc = """<html><head><title>The Dormouse's story</title></head><body><p class="title"> <b>The Dormouse's story</b> Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1"> <span>Elsie</span> </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>"""from bs4 import BeautifulSoupsoup=BeautifulSoup(html_doc,'lxml')print(soup.p.contents) #p下所有子节点print(soup.p.children) #得到一个迭代器,包含p下所有子节点for i,child in enumerate(soup.p.children): print(i,child)print(soup.p.descendants) #获取子孙节点,p下所有的标签都会选择出来for i,child in enumerate(soup.p.descendants): print(i,child)#7、父节点、祖先节点print(soup.a.parent) #获取a标签的父节点print(soup.a.parents) #找到a标签所有的祖先节点，父亲的父亲，父亲的父亲的父亲...#8、兄弟节点print(soup.a.next_siblings) #得到生成器对象print(soup.a.previous_siblings) #得到生成器对象
四 标准选择器
#find与findall:用法完全一样,可根据标签名,属性,内容查找文档，但是find只找第一个元素html_doc = """<html><head><title>The Dormouse's story</title></head><body><p class="title"> <b>The Dormouse's story</b> Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1"> <span>Elsie</span> </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>"""from bs4 import BeautifulSoupsoup=BeautifulSoup(html_doc,'lxml')#1、按照标签名查找# print(soup.find_all('a'))# print(soup.find_all('a',id='link3'))# print(soup.find_all('a',id='link3',attrs={'class':"sister"}))## print(soup.find_all('a')[0].find('span')) #嵌套查找#2、按照属性查找# print(soup.p.find_all(attrs={'id':'link1'})) #等同于print(soup.find_all(id='link1'))# print(soup.p.find_all(attrs={'class':'sister'}))## print(soup.find_all(class_='sister'))#3、按照文本内容查找print(soup.p.find_all(text="The Dormouse's story")) # 按照完整内容匹配（是==而不是in）,得到的结果也是内容#更多：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html#find
五 CSS选择器
##该模块提供了select方法来支持csshtml_doc = """<html><head><title>The Dormouse's story</title></head><body><p class="title"> <b>The Dormouse's story</b> Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1"> <span>Elsie</span> </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>; <div class='panel-1'> <ul class='list' id='list-1'> <li class='element'>Foo</li> <li class='element'>Bar</li> <li class='element'>Jay</li> </ul> <ul class='list list-small' id='list-2'> <li class='element'><h1 class='yyyy'>Foo</h1></li> <li class='element xxx'>Bar</li> <li class='element'>Jay</li> </ul> </div> and they lived at the bottom of a well.</p><p class="story">...</p>"""from bs4 import BeautifulSoupsoup=BeautifulSoup(html_doc,'lxml')#1、CSS选择器print(soup.p.select('.sister'))print(soup.select('.sister span'))print(soup.select('#link1'))print(soup.select('#link1 span'))print(soup.select('#list-2 .element.xxx'))print(soup.select('#list-2')[0].select('.element')) #可以一直select,但其实没必要,一条select就可以了# 2、获取属性print(soup.select('#list-2 h1')[0].attrs)# 3、获取内容print(soup.select('#list-2 h1')[0].get_text())
六 总结
# 总结:#1、推荐使用lxml解析库#2、讲了三种选择器:标签选择器,find与find_all，css选择器 1、标签选择器筛选功能弱,但是速度快 2、建议使用find,find_all查询匹配单个结果或者多个结果 3、如果对css选择器非常熟悉建议使用select#3、记住常用的获取属性attrs和文本值get_text()的方法
阅读全文
0 0
- BeautifulSoup模块
- Beautifulsoup模块
- python中的BeautifulSoup模块
- 安装BeautifulSoup模块
- python 中 BeautifulSoup 模块
- Python学习-BeautifulSoup模块
- 爬虫----BeautifulSoup 模块
- python：BeautifulSoup 模块使用指南
- BeautifulSoup模块学习
- python：BeautifulSoup 模块使用指南
- python：BeautifulSoup 模块使用指南
- Python BeautifulSoup模块
- python：BeautifulSoup 模块使用指南
- python 中beautifulsoup 模块
- python BeautifulSoup模块的安装
- pyhon BeautifulSoup模块的安装
- python BeautifulSoup模块的安装
- python BeautifulSoup模块的安装
- JAVA二进制基础
- Spring boot中filter类不能注入@Autowired变量
- Java23种设计模式——桥接模式
- Oracle给从表添加外键提示提示ORA-02298未找到父项关键字
- USB中CDC-ECM的了解和配置
- Beautifulsoup模块
- Caffe上LeNet模型理解
- 2017-11-09
- spring tx:advice事务配置
- Java面试需要知道的SQL语句语法（二）
- 通过vps搭建vpn
- Tomcat热部署的实现原理
- 机器学习0004 Tensorflow中产生tensor的函数
- XXX iPhone has denied the launch request.
