本文介绍了如何安装BeautifulSoup库并使用它来解析HTML文档。包括了从网页抓取HTML内容到解析HTML标签的方法，展示了如何提取标签名、属性及字符串。
安装Beautiful Soup库：
pip install beautifulsoup4
Beautiful Soup库的安装小测
演示HTML页面地址：http://python123.io/ws/demo.html
1.手工获得HTML源代码
打开浏览器，右键点击“查看源文件”
2.利用requests库
import requests
r = requests.get(“http://python123.io/ws/demo.html”)
r.text
demo = r.text
Beautiful Soup库安装小测
from bs4 import BeautifulSoup
soup = BeautifulSoup(demo,“html.parser”)
print(soup.prettify())
from bs4 import BeautifulSoup
soup = BeautifulSoup(‘<p>data</p>’,“html.parser”)Beautiful Soup库的基本元素
HTML文件<==>标签树
<html>
<body>
<p class=“title”>…</p>
</body>
</html>
Beautiful Soup库是解析、遍历、维护“标签树”的功能库
<p >…</p>：标签Tag
<p class=“title”>…</p>
名称Name，成对出现
属性Attributes，0个或多个
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 bs4HTML文件<==>标签树<==>BeautifulSoup类
>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup("<html>data</html>","html.parser")
>>> soup2 = BeautifulSoup(open("D://demo.html"),"html.parser")
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
(1)Tag 标签
最基本的信息组织单元，分别用<>和</>标明开头和结尾
任何存在于HTML语法中的标签都可以用soup.<tag>访问获得
当HTML文档中存在多个相同<tag>对应内容时，soup.<tag>返回第一个
>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup(demo,"html.parser")
>>> soup.title
<title>This is a python demo page</title>
>>> tag = soup.a
>>> tag
<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a>
(2)Tag的name（名字）
<p>…</p>的名字是'p'，格式：<tag>.name
每个<tag>都有自己的名字，通过<tag>.name获取，字符串类型
>>> soup.a.name
'a'
>>> soup.a.parent.name
'p'
>>> soup.a.parent.parent.name
'body'
(3)Tag的attrs（属性）
字典形式组织，格式：<tag>.attrs
一个<tag>可以有0或多个属性，字典类型
>>> tag = soup.a
>>> tag.attrs
{'href': 'http://www.icourse163.org/course/BIT-268001', 'class': ['py1'], 'id': 'link1'}
>>> tag.attrs['class']
['py1']
>>> tag.attrs['href']
'http://www.icourse163.org/course/BIT-268001'
>>> type(tag.attrs)
<class 'dict'>
>>> type(tag)
<class 'bs4.element.Tag'>
(4)Tag的NavigableString
标签内非属性字符串，<>…</>中字符串，格式：<tag>.string
>>> soup.a
<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a>
>>> soup.a.string
'Basic Python'
>>> soup.p
<p class="title"><b>The demo python introduces several python courses.</b></p>
>>> soup.p.string
'The demo python introduces several python courses.'
>>> type(soup.p.string)
<class 'bs4.element.NavigableString'>
NavigableString可以跨越多个层次
(5)Tag的Comment
标签内字符串的注释部分，一种特殊的Comment类型
>>> 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'>
扫一扫
4284
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
