爬虫之beautifulsoup模块

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，官网推荐在现在的项目中使用Beautiful Soup 4, 移植到BS4，安装模块如下：

创新互联-专业网站定制、快速模板网站建设、高性价比乐业网站开发、企业建站全套包干低至880元,成熟完善的模板库,直接使用。一站式乐业网站制作公司更省心,省钱,快速模板网站建设找我们，业务覆盖乐业地区。费用合理售后完善，十多年实体公司更值得信赖。

# pip3 install beautifulsoup4
#pip3 install LXML

二、用法

from bs4 import BeautifulSoup
html_doc = """
The Dormouse's story

asdf
    
        The Dormouse's story总共
        f

Once upon a time there were three little sisters; and their names were Elsfie, Lacie and Tillie; and they lived at the bottom of a well.

tag = soup.find('a') name = tag.name # 获取标签名称，结果a tag.name = 'span' # 设置标签名称

tag = soup.find('a') attrs = tag.attrs # 获取名称为a的标签的属性，结果{'class': ['sister0'], 'id': 'link1'} tag.attrs = {'ik':123} # 设置 tag.attrs['id'] = 'iiiii' # 设置 # 可以使用print(soup)查看设置后的所有标签属性

soup.p.contents #p下所有子节点 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) 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)

body = soup.find('body') v = body.extract() # 递归的删除名称为body的标签 print(soup) #查看删除后的结果为 The Dormouse's story

body = soup.find('body') print(body.decode()) #名称为body的标签转换为字符串，包含body标签 print(body.decode_contents()) #名称为body的标签转换为字符串，不包含body标签

body = soup.find('body') print(body.encode()) #名称为body的标签转换为字节，包含body标签 print(body.encode_contents()) #名称为body的标签转换为字节，不包含body标签

soup.find_all('title', limit=1) soup.find('title') # 上面两个查找结果一样，find查找就相当于find_all查找并设置limit=1 # 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. # find_all() 方法没有找到目标是返回空列表, find() 方法找不到目标时,返回 None soup.find("head").find("title") #可以简单写成 soup.head.title tag = soup.find(name='a', attrs={'class': 'sister'}, recursive=True, text='Lacie') tag = soup.find(name='a', class_='sister', recursive=True, text='Lacie')

####### 列表 ####### v = soup.find_all(name=['a','div']) print(v) v = soup.find_all(class_=['sister0', 'sister']) print(v) v = soup.find_all(text=['Tillie']) print(v, type(v[0])) #结果：['Tillie'] v = soup.find_all(id=['link1','link2']) #查找id为link1，link2的标签，结果放在列表里面 print(v) v = soup.find_all(href=['link1','link2']) #没找到href为link1，link2的标签，所以结果是一个空列表 print(v) ####### 正则 ####### import re rep = re.compile('p') #匹配规则为p标签 rep = re.compile('^p') #匹配规则为p开头标签 v = soup.find_all(name=rep) #找p开头的的所有标签 rep = re.compile('sister.*') v = soup.find_all(class_=rep) v = soup.find_all(attrs={"class":rep}) #和上面的一样 rep = re.compile('http://www.oldboy.com/static/.*') v = soup.find_all(href=rep) #匹配 ####### 方法筛选 ####### def func(tag): return tag.has_attr('class') and tag.has_attr('id') v = soup.find_all(name=func) print(v) get,获取标签属性 tag = soup.find('a') v = tag.get('id') #获取标签名称为a的id属性 print(v)

tag = soup.find('a') print(tag) #Elsfie v = tag.get_text('id') print(v) #结果是：Elsidfidie

soup.next soup.next_element #不分层次的查找标签的下一个节点 soup.next_elements soup.next_sibling #下一个兄弟 soup.next_siblings #下面的兄弟们=>生成器对象 tag.previous tag.previous_element #不分层次的查找标签的上一个节点 tag.previous_elements tag.previous_sibling #上一个兄弟 tag.previous_siblings #上面的兄弟们=>生成器对象 tag.parent #获取标签的父节点 tag.parents #找到标签所有的祖先节点

tag.find_next(...) tag.find_all_next(...) tag.find_next_sibling(...) tag.find_next_siblings(...) tag.find_previous(...) tag.find_all_previous(...) tag.find_previous_sibling(...) tag.find_previous_siblings(...) tag.find_parent(...) tag.find_parents(...) # 参数同find_all

soup.select("title") #[The Dormouse's story] soup.select("p:nth-of-type(3)") #选择所有p标签中的第三个标签,相当于soup.select(p)[2] soup.select("body a") #body里的a标签，结果放在列表显示 soup.select("html head title") #[The Dormouse's story] soup.select("span,a") #选择所有的span和a标签 soup.select("head > title") # 选择head标签下的直接title子标签 soup.select("p > a") # 选择p标签下的直接a子标签 soup.select("p > a:nth-of-type(2)") soup.select("p > #link1") # 选择p标签下的直接id为link1子标签 soup.select("body > a") # 选择body标签下的直接a子标签 soup.select("#link1 ~ .sister") # 选择id=link1后的class=sister所有兄弟节点标签 soup.select("#link1 + .sister") # 选择id=link1后的class=sister下一个兄弟节点标签，结果[Lacie] soup.select(".sister") # 选择class为sister的标签 soup.select("[class~=sister]") # class=sister的所有节点 soup.select("#link1") # 选择id为link1的标签 soup.select("a#link2") # a节点，且id=link2的节点 soup.select('a[href]') # 所有的a节点，有href属性 soup.select('a[href="http://example.com/elsie"]') # 指定href属性值的所有a节点 soup.select('a[href^="http://example.com/"]') soup.select('a[href$="tillie"]') # href属性以指定值结尾的所有a节点 soup.select('a[href*=".com/el"]') from bs4.element import Tag def default_candidate_generator(tag): for child in tag.descendants: if not isinstance(child, Tag): continue if not child.has_attr('href'): continue yield child tags = soup.find('body').select("a", _candidate_generator=default_candidate_generator) print(type(tags), tags) #结果： [Lacie, Tillie] from bs4.element import Tag def default_candidate_generator(tag): for child in tag.descendants: if not isinstance(child, Tag): continue if not child.has_attr('href'): continue yield child tags = soup.find('body').select("a", _candidate_generator=default_candidate_generator, limit=1) print(type(tags), tags) #结果： [Lacie]

tag = soup.find('span') print(tag.string) # 获取，结果f tag.string = 'new content' # 设置span标签内容为new content tag = soup.find('body') print(tag.string) #结果None tag.string = 'xxx' #xxx tag = soup.find('body') v = tag.stripped_strings # 递归内部获取所有标签的文本 print(v) #

tag = soup.find('body') tag.append(soup.find('a')) #在body标签里追加Elsfie from bs4.element import Tag obj = Tag(name='i',attrs={'id': 'it'}) obj.string = '我是一个新来的' tag = soup.find('body') tag.append(obj) #在body标签里追加我是一个新来的

from bs4.element import Tag obj = Tag(name='i', attrs={'id': 'it'}) obj.string = '我是一个新来的' tag = soup.find('body') # tag.insert_before(obj) #在当前标签前面插入 tag.insert_after(obj) #在当前标签后面插入 print(soup)

大橙子网站建设，新征程启航

爬虫之beautifulsoup模块

f

其他资讯