当前位置 : 主页 > 编程语言 > python >

Py3操作BS4常用的语法代码片段

来源：互联网 收集：自由互联 发布时间：2022-09-29
BeautifulSoup 常用语法讲解 解析库 BeautifulSoup默认支持Python的标准HTML解析库，但是它也支持一些第三方的解析库 解析库使用方法优势劣势 Python标准库BeautifulSoup(html,’html.parser’)Python内置

BeautifulSoup 常用语法讲解

解析库

BeautifulSoup默认支持Python的标准HTML解析库，但是它也支持一些第三方的解析库

解析库 使用方法 优势 劣势 Python标准库 BeautifulSoup(html,’html.parser’) Python内置标准库；执行速度快 容错能力较差 lxml HTML解析库 BeautifulSoup(html,’lxml’) 速度快；容错能力强 需要安装，需要C语言库 lxml XML解析库 BeautifulSoup(html,[‘lxml’,’xml’]) 速度快；容错能力强；支持XML格式 需要C语言库 htm5lib解析库 BeautifulSoup(html,’htm5llib’) 以浏览器方式解析，最好的容错性 速度慢

代码示例

demo html

<!DOCTYPE html> <!--STATUS OK--> <html> <head> <meta content="text/html;charset=utf-8" http-equiv="content-type"/> <meta content="IE=Edge" http-equiv="X-UA-Compatible"/> <meta content="always" name="referrer"/> <link href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css" rel="stylesheet" type="text/css"/> <title>百度一下，你就知道 </title> </head> <body link="#0000cc"> <div id="wrapper"> <div id="head"> <div class="head_wrapper"> <div id="u1"> <a rel="nofollow" class="mnav" href="http://news.baidu.com" name="tj_trnews"> 新闻 </a> <a rel="nofollow" class="mnav" href="https://www.hao123.com" name="tj_trhao123"> hao123 </a> <a rel="nofollow" class="mnav" href="http://map.baidu.com" name="tj_trmap"> 地图 </a> <a rel="nofollow" class="mnav" href="http://v.baidu.com" name="tj_trvideo"> 视频 </a> <a rel="nofollow" class="mnav" href="http://tieba.baidu.com" name="tj_trtieba"> 贴吧 </a> <a rel="nofollow" class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;"> 更多产品 </a> </div> </div> </div> </div> </body> </html>

创建beautifulsoup4对象

from bs4 import BeautifulSoup soup = BeautifulSoup(html,"html.parser") # 缩进格式 print(soup.prettify()) # 获取title标签的所有内容 print(soup.title) #Output：<title>百度一下，你就知道 </title> # 获取title标签的名称 print(soup.title.name) #Output：title # 获取title标签的文本内容 print(soup.title.string) #Output：百度一下，你就知道 # 获取head标签的所有内容 print(soup.head) # 获取第一个div标签中的所有内容 print(soup.div) # 获取第一个div标签的id的值 print(soup.div["id"]) # 获取第一个a标签中的所有内容 print(soup.a) # 获取所有的a标签中的所有内容 print(soup.find_all("a")) # 获取id="u1" print(soup.find(id="u1")) # 获取所有的a标签，并遍历打印a标签中的href的值 for item in soup.find_all("a"): print(item.get("href")) # 获取所有的a标签，并遍历打印a标签的文本值 for item in soup.find_all("a"): print(item.get_text())

BeautifulSoup4四大对象种类

BeautifulSoup4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:通俗点讲就是HTML中的一个个标签

    from soup4 import BeautifulSoup soup = BeautifulSoup(html,"html.parser") # 获取title标签的所有内容 print(soup.title) # 获取head标签的所有内容 print(soup.head) # 获取第一个a标签的所有内容 print(soup.a) # 类型 print(type(soup.a #soup 对象本身比较特殊，它的 name 即为 [document] print(soup.name) # head #对于其他内部标签，输出的值便为标签本身的名称 print(soup.head.name) # 在这里，我们把 a 标签的所有属性打印输出了出来，得到的类型是一个字典。 print(soup.a.attrs) #还可以利用get方法，传入属性的名称，二者是等价的 print(soup.a['class']) # soup.a.get('class') # 可以对这些属性和内容等等进行修改 soup.a['class'] = "newClass" print(soup.a) # 还可以对这个属性进行删除 del soup.a['class'] print(soup.a)

  • NavigableString: 获取标签内部的文字用 .string 即可

    print(soup.title.string) print(type(soup.title.string))

  • BeautifulSoup: 表示的是一个文档的内容

    print(type(soup.name)) print(soup.name) print(soup.attrs)

  • Comment: 是一个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号。

    print(soup.a) # 此时不能出现空格和换行符，a标签如下： # <a rel="nofollow" class="mnav" href="http://news.baidu.com" name="tj_trnews"><!--新闻--></a> print(soup.a.string) # 新闻 print(type(soup.a.string)) # <class 'soup4.element.Comment'>

遍历文档树

  • .contents：获取Tag的所有子节点，返回一个list
# tag的.content 属性可以将tag的子节点以列表的方式输出 print(soup.head.contents) # 用列表索引来获取它的某一个元素 print(soup.head.contents[1])
  • .children：获取Tag的所有子节点，返回一个生成器
for child in soup.body.children: print(child)

搜索文档树

  • find_all(name, attrs, recursive, text, **kwargs)

    • name参数

      • 字符串过滤：会查找与字符串完全匹配的内容
      a_list = soup.find_all("a") print(a_list)
      • 正则表达式过：如果传入的是正则表达式，那么BeautifulSoup4会通过search()来匹配内容
      item_list = soup.find_all(re.compile("a")) for item in item_list: print(item)
      • 列表： 如果传入一个列表，BeautifulSoup4将会与列表中的任一元素匹配到的节点返回
      item_list = soup.find_all(["meta","link"]) for item in item_list: print(item)
      • 方法： 传入一个方法，根据方法来匹配
      def name_is_exists(tag): return tag.has_attr("name") item_list = soup.find_all(name_is_exists) for item in item_list: print(item)

    • kwargs参数

      # 查询id=head的Tag item_list = soup.find_all(id="head") print(item_list) # 查询href属性包含ss1.bdstatic.com的Tag item_list = soup.find_all(href=re.compile("http://news.baidu.com")) print(item_list) # 查询所有包含class的Tag(注意：class在Python中属于关键字，所以加_以示区别) item_list = soup.find_all(class_=True) for item in item_list: print(item)

    • attrs参数

    并不是所有的属性都可以使用上面这种方式进行搜索，比如HTML的data-*属性，我们可以使用attrs参数，定义一个字典来搜索包含特殊属性的tag：

    item_list = soup.find_all(attrs={"data-foo":"value"}) for item in item_list: print(item)
    • text参数

    通过text参数可以搜索文档中的字符串内容，与name参数的可选值一样。text参数接受 字符串，正则表达式，列表

    item_list = soup.find_all(attrs={"data-foo": "value"}) for item in item_list: print(item) item_list = soup.find_all(text="hao123") for item in item_list: print(item) item_list = soup.find_all(text=["hao123", "地图", "贴吧"]) for item in item_list: print(item) item_list = soup.find_all(text=re.compile("\d")) for item in item_list: print(item)
    • limit参数

    传入一个limit参数来限制返回的数量

    item_list = soup.find_all("a",limit=2) for item in item_list: print(item)

  • find

返回符合条件的第一个Tag,即当我们要取一个值的时候就可以用这个方法

t = soup.div.div # 等价于 t = soup.find("div").find("div")

CSS选择器

  • 通过标签名查找
print(soup.select('title')) print(soup.select('a'))
  • 通过类名查找
print(soup.select('.mnav'))
  • 通过id查找
print(soup.select('#u1'))
  • 组合查找
print(soup.select('div .bri'))
  • 属性查找
print(soup.select('a[class="bri"]')) print(soup.select('a[href="http://tieba.baidu.com"]'))
  • 获取内容
item_list = soup.select("title") print(soup.select('title')[0].get_text())
上一篇：Linux重启后，nginx服务启动报错nginx: [emerg] open() ＂/var/run/nginx/nginx.pid＂ failed
下一篇：没有了
网友评论
相关栏目
最近更新
热门文章