第三方库
https://www.crummy.com/software/BeautifulSoup/
pip install beautifulsoup4
简单示例
1
2
3
4
5
6
7
8
9
10html ='''<html>
<head><title>我的第一个 HTML 页面</title></head>
<body>
<p>body 元素的内容会显示在浏览器中。</p>
<p class="note">title 元素的内容会显示在浏览器的标题栏中。</p>
</body></html>'''
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'html.parser')
print(soup.prettify())
Beautiful Soup库解析器
| 解析器 | 使用方法 | 条件 | 优势 | 劣势 |
|---|---|---|---|---|
| bs4的HTML解析器 | BeautifulSoup(mk,’html.parser’) | 安装bs4库 | python内置标准库，执行速度适中，文档容错能力强 | py2.7.3 和py3.2.2前的版主中文容错能力差 |
| lxml的HTML解析器 | BeautifulSoup(mk, ‘lxml’) | pip install lxml | 速度快，文档容错能力强 | 需要安装C语言库 |
| lxml的xml解析器 | BeautifulSoup(mk,’xml’) | pip install lxml | 速度快，唯一支持xml的解析库 | 需要安装C语言库 |
| html5lib的解析器 | BeautifulSoup(mk, ‘html5lib’) | pip install html5lib | 容错性最好，以浏览器的方式解析文档，生成HTML5格式的文档，不依赖外部扩展 | 速度慢 |
BeautifulSoup类的基本元素
| 基本元素 | 说明 |
|---|---|
| Tag | 标签，最基本的信息组织单元，分别用<>和</>标明开始和结束 |
| Name | 标签的名字，\ \ 的名字是p，格式：\ |
| Attributes | 标签的属性，字典形式组织，格式：\ |
| NavigableString | 标签内非属性字符串，<>…</>中字符串，格式：\ |
| Comment | 标签内字符串的注释部分，一种特殊的Comment类型 |
1 | # 简单例子 |
遍历DOM树
下行遍历：根到叶
| 属性 | 说明 |
| ———– | —————————————————— |
| .contents | 子节点列表，将tag所有儿子节点存入列表 |
| .children | 子节点的迭代类型，与.cntents类似，用于循环遍历儿子节点 |
| .descndants | 子孙节点的迭代类型，包含所有子孙节点，用于循环遍历 |1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22# 简单例子
import requests
from bs4 import BeautifulSoup
url = 'https://www.crummy.com/software/BeautifulSoup/'
try:
r = requests.get(url)
r.raise_for_status()
except:
print('网络资源错误')
soup = BeautifulSoup(r.text, 'html.parser')
head = soup.head
print(head.contents)
'''
['\n', <meta content="text/html; charset=utf-8" http-equiv="Content-Type"/>, '\n', <title>Beautiful Soup: We called him Tortoise because he taught us.</title>, '\n', <link href="mailto:leonardr@segfault.org" rev="made"/>, '\n', <link href="/nb/themes/Default/nb.css" rel="stylesheet" type="text/css"/>, '\n', <meta content="Beautiful Soup: a library designed for screen-scraping HTML and XML." name="Description"/>, '\n', <meta content="Markov Approximation 1.4 (module: leonardr)" name="generator"/>, '\n', <meta content="Leonard Richardson" name="author"/>, '\n']
'''
print(head.contents[3])
'''
<title>Beautiful Soup: We called him Tortoise because he taught us.</title>
'''1
2
3# 某标签的下行遍历
for child in soup.tag.children:
print(child.name)上行遍历：叶到根
| 属性 | 说明 |
| ——– | ———————————————- |
| .parent | 节点的父亲标签 |
| .parents | 节点的先辈标签的迭代类型，用于循环遍历先辈节点 |1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31# 属性示例
import requests
from bs4 import BeautifulSoup
url = 'https://www.crummy.com/software/BeautifulSoup/'
try:
r = requests.get(url)
r.raise_for_status()
except:
print('网络资源错误')
soup = BeautifulSoup(r.text, 'html.parser')
print(soup.a.parent)
'''
<div align="center">
<a href="bs4/download/"><h1>...</h1></a><p>...</p>
</div>
'''
print(soup.a.parents)
'''
<generator object PageElement.parents at 0x00000210B2B4C480>
'''
print([f.name for f in soup.a.parents])
'''
['div', 'body', 'html', '[document]']
'''
print(soup.html.parent.name,type(soup.html.parent.name))
'''
[document] <class 'str'>
'''1
2
3# 某标签的上行遍历
for p in soup.tag.parents:
print(p.name)平行遍历：兄弟节点（同一个父标签）间遍历
| 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文本属性的前序所有平行节点标签 |1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16# 属性示例
import requests
from bs4 import BeautifulSoup
url = 'https://www.crummy.com/software/BeautifulSoup/'
try:
r = requests.get(url)
r.raise_for_status()
except:
print('网络资源错误')
soup = BeautifulSoup(r.text, 'html.parser')
print(soup.a.next_sibling.next_sibling)
'''
<p>"A tremendous boon." -- Python411 Podcast</p>
'''1
2
3# # 某标签的平行遍历
for sibling in soup.a.next_siblings:
print(sibling.name)
查找中所有指定标签
soup.find_all(name=None, attrs={}, recursive=True, text=None, limit=None, **kwargs)
li = tag(another_tag)
- name可以是单个标签名（支持正则表达式），也可以是多个标签名组成的列表。为True时搜索所有标签。
- 对标签属性值的检索字符串，可标注属性检索。
- **kwargs为可约束对象，如id,class,string等，他们的值可以是正则表达式模式
- recursive 是否对子孙节点进行检索
1 | # 找出页面内所有URL链接 |
实例
1 | # 笔趣阁某小说的某章节 |
import requests
from bs4 import BeautifulSoup
try:
r = requests.get(url)
r.raise_for_status()
r.encoding = r.apparent_encoding
except:
print(‘网络资源错误’)
soup = BeautifulSoup(r.text, ‘html.parser’)
title = soup.h1.string
content = ‘’.join(soup.find(‘div’, id=’content’).strings)
print(title)
print()
print(content)
`