beautifulSoup20%基础知识

最新推荐文章于 2024-08-19 09:22:32 发布

小丑鱼和蝉

最新推荐文章于 2024-08-19 09:22:32 发布

阅读量189

点赞数

CC 4.0 BY-SA版权

分类专栏： Python3

本文链接：https://blog.youkuaiyun.com/qq_29611345/article/details/84929482

Python3 专栏收录该内容

7 篇文章

订阅专栏

本文介绍如何使用BeautifulSoup解析HTML文档，包括创建对象、访问节点、遍历文档树及使用CSS选择器筛选元素。通过实例演示了如何获取标签、字符串、属性及进行高级查询。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

详细的内容请看这里——参考博客，下面是自己需要参考的部分总结。

创建 Beautiful Soup 对象,首先必须要导入 bs4 库

from bs4 import BeautifulSoup

创建一个字符串，请将字符串拷贝出来，再参考后面的例子，这样才能明白。

html = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><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>
"""

创建 beautifulsoup 对象

soup = BeautifulSoup(html)

Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种:Tag、NavigableString、BeautifulSoup、Comment。

(1) Tag:Tag 是什么？通俗点讲就是 HTML 中的一个个标签，例如head,title,a,p等，注释为输出。

print soup.title
#<title>The Dormouse's story</title>
print soup.head
#<head><title>The Dormouse's story</title></head>
print soup.a
#<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
print soup.p
#<p class="title" name="dromouse"><b>The Dormouse's story</b></p>

它有两个属性，name和attrs，使用如下。

#name到没什么，主要在sttrs。
print soup.name #[document]
print soup.head.name #head

print soup.p.attrs
#{'class': ['title'], 'name': 'dromouse'}
print soup.p['class'] #['title']

(2)NavigableString:获取标签内的字符串。

print soup.p.string
#The Dormouse's story

(3)BeautifulSoup:
(4)Comment

遍历文档树，.contents .children 属性。

print soup.head.contents 
#[<title>The Dormouse's story</title>]
print soup.head.contents[0]#会以列表的形式出书。
#<title>The Dormouse's story</title>

CSS选择器，我们在写 CSS 时，标签名不加任何修饰，类名前加点，id名前加 #，在这里我们也可以利用类似的方法来筛选元素，用到的方法是 soup.select()，返回类型是 list。

print soup.select('title') 
#[<title>The Dormouse's story</title>]
print soup.select('a')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

print soup.select('.sister')#通过类名查找
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

print soup.select('#link1')#通过id查找
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]

#组合查找，二者需要用空格分开
print soup.select('p #link1')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]
print soup.select("head > title")
#[<title>The Dormouse's story</title>]

#属性查找，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，
print soup.select('p a[href="http://example.com/elsie"]')
#[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]