python爬虫学习笔记--BeautifulSoup4库的使用详解

编辑: admin 分类: python 发布时间: 2021-12-04 来源:互联网
目录
  • 使用范例
  • 常用的对象–Tag
  • 常用的对象–NavigableString
  • 常用的对象–BeautifulSoup
  • 常用的对象–Comment
  • 对文档树的遍历
  • tag中包含多个字符串的情况
  • .stripped_strings 去除空白内容
  • 搜索文档树–find和find_all
  • select方法(各种查找)
  • 获取内容
  • 总结

使用范例

from bs4 import BeautifulSoup
#创建 Beautiful Soup 对象
# 使用lxml来进行解析
soup = BeautifulSoup(html,"lxml")
print(soup.prettify())

返回结果

在这里插入图片描述

常用的对象–Tag

就是 HTML 中的一个个标签

在上面范例的基础上添加

from bs4 import BeautifulSoup
#创建 Beautiful Soup 对象
# 使用lxml来进行解析
soup = BeautifulSoup(html,"lxml")
#print(soup.prettify())


#创建 Beautiful Soup 对象
soup = BeautifulSoup(html,'lxml')

print (soup.title)#None因为这里没有tiele标签所以返回none

print (soup.head)#None因为这里没有head标签所以返回none

print (soup.a)#返回 <a class="fill-dec" href="//my.csdn.net" target="_blank">编辑自我介绍，让更多人了解你<span class="write-icon"></span></a>


print (type(soup.p))#返回 <class 'bs4.element.Tag'>

print( soup.p)

其中print( soup.p)

返回结果为

在这里插入图片描述

同样地，在上面地基础上添加

print (soup.name)# [document] #soup 对象本身比较特殊，它的 name 即为 [document]

返回

在这里插入图片描述

print (soup.head.name)#head #对于其他内部标签，输出的值为标签本身的名称

print (soup.p.attrs)##把p标签的所有属性打印出来,得到的类型是一个字典。

返回

在这里插入图片描述

print (soup.p['class'])#获取P标签下地class标签

soup.p['class'] = "newClass"
print (soup.p) # 可以对这些属性和内容等等进行修改

返回

在这里插入图片描述

常用的对象–NavigableString

前面地基础上添加

print (soup.p.string)
# The Dormouse's story
print (type(soup.p.string))
# <class 'bs4.element.NavigableString'>thon

返回结果

在这里插入图片描述

常用的对象–BeautifulSoup

beautiful soup对象表示文档的全部内容。大多数情况下，它可以被视为标记对象。它支持遍历文档树并搜索文档树中描述的大多数方法因为Beauty soup对象不是真正的HTML或XML标记，所以它没有名称和属性。但是，有时查看其内容很方便。Name属性，因此美丽的汤对象包含一个特殊属性。值为“[文档]”的名称

print(soup.name)
#返回 '[document]'

常用的对象–Comment

用于解释注释部分的内容

markup = "<b><!--Hey, buddy. Want to buy a used parser?--></b>"
soup = BeautifulSoup(markup)
comment = soup.b.string
type(comment)
# <class 'bs4.element.Comment'>

对文档树的遍历

在上面的基础上添加

head_tag = soup.div
# 返回所有子节点的列表
print(head_tag.contents)

返回

在这里插入图片描述

同理

head_tag = soup.div

# 返回所有子节点的迭代器
for child in head_tag.children:
    print(child)

返回

在这里插入图片描述

tag中包含多个字符串的情况

可用 .strings 来循环获取

for string in soup.strings:
    print(repr(string))

返回

在这里插入图片描述

.stripped_strings 去除空白内容

for string in soup.stripped_strings:
    print(repr(string))

返回

在这里插入图片描述

搜索文档树–find和find_all

找到所有

print(soup.find_all("a",id='link2'))

find方法是找到第一个满足条件的标签后立即返回，返回一个元素。find_all方法是把所有满足条件的标签都选到，然后返回。

select方法(各种查找)

#通过标签名查找：
print(soup.select('a'))
#通过类名查找：
#通过类名，则应该在类的前面加一个'.'
print(soup.select('.sister'))
#通过id查找：
#通过id查找，应该在id的名字前面加一个＃号
print(soup.select("#link1"))

查找a标签返回的结果

在这里插入图片描述

其他因为网页本身没有，返回的是一个空列表

组合查找

print(soup.select("p #link1"))#查找 p 标签中，id 等于 link1的内容

子标签查找

print(soup.select("head > title"))

通过属性查找

print(soup.select('a[href="http://example.com/elsie"]'))#属性与标签属同一节点，中间不能有空格

获取内容

先查看类型

print (type(soup.select('div')))

在这里插入图片描述

for title in soup.select('div'):
    print (title.get_text())

返回

在这里插入图片描述

print (soup.select('div')[20].get_text())#选取第20个div标签的内容

返回

在这里插入图片描述

总结

本篇文章就到这里了，希望能给你带来帮助，也希望您能够多多关注hwidc的更多内容!

【文章原创作者：http://www.yidunidc.com/st.html转发请说明出处】
更多阅读