Python网络爬虫（三）——Beutiful Soup库入门

最新推荐文章于 2024-10-24 18:00:00 发布

叮咚火柴

最新推荐文章于 2024-10-24 18:00:00 发布

阅读量1k

点赞数

CC 4.0 BY-SA版权

分类专栏： python爬虫笔记文章标签： python 网络爬虫

本文链接：https://blog.youkuaiyun.com/Dingdong_Match/article/details/75225739

笔记同时被 2 个专栏收录

4 篇文章

订阅专栏

python爬虫

3 篇文章

订阅专栏

本文介绍如何使用BeautifulSoup库解析HTML文档，涵盖库的安装、基本元素及标签树的遍历方法等内容。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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