活动地址：CSDN21天学习挑战赛

学习日记

学习知识点

1、BeautifulSoup4库介绍

Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库。它能够通过你喜欢的转换器实现惯用的文档导航、查找、修改文档的方式。Beautiful Soup会帮你节省数小时甚至数天的工作时间。

2、安装

输入对应的pip命令：pip install beautifulsoup4

3、导包

form bs4 import BeautifulSoup

4、解析库

BeautifulSoup在解析时实际上依赖解析器，它除了支持Python标准库中的HTML解析器外，还支持一些第三方解析器(比如lxml)。最常使用的解析器是lxml HTML解析器，其次是html5lib。

解析器	使用方法	优势	劣势
Python标准库	BeautifulSoup(html,’html.parser’)	Python的内置标准库、执行速度适中、文档容错能力强	Python 2.7.3及Python3.2.2之前的版本文档容错能力差
lxml HTML解析库	BeautifulSoup(html,’lxml’)	速度快、文档容错能力强	需要安装C语言库
lxml XML解析库	BeautifulSoup(html,‘xml')	速度快、唯一支持XML的解析器	需要安装C语言库
htm5lib解析库	BeautifulSoup(html,’htm5llib’)	最好的容错性、以浏览器的方式解析文档、生成HTMLS格式的文档	速度慢、不依赖外部扩展

5、实践

5.1 基础操作

读取HTML字符串

from bs4 import BeautifulSoup

html = '''
<div class="panel">
    <div class="panel-heading">
        <h4>Hello</h4>
    </div>
    <div class="panel_body">
        <ul class="list" id="list-1" name="element">
            <li class="element">Foo</li>
            <li class="element">Bar</li>
            <li class="element">Jay</li>
        </ul>
        <ul class="list list-small" id="list-2">
            <li class="element">Foo</li>
                <a href="https://www.baidu.com">百度官网</a>
            <li class="element">Bar</li>
        </ul>
    </div>
</div> 
'''
# 创建对象
soup = BeautifulSoup(html, 'lxml')

读取HTML文件

from bs4 import BeautifulSoup

soup = BeautifulSoup(open('index.html'),'lxml')

基本方法

from bs4 import BeautifulSoup

html = '''
<div class="panel">
    <div class="panel-heading">
        <h4>Hello</h4>
    </div>
    <div class="panel_body">
        <ul class="list" id="list-1" name="element">
            <li class="element">Foo</li>
            <li class="element">Bar</li>
            <li class="element">Jay</li>
        </ul>
        <ul class="list list-small" id="list-2">
            <li class="element">Foo</li>
                <a href="https://www.baidu.com">百度官网</a>
            <li class="element">Bar</li>
        </ul>
    </div>
</div> 
'''
# 创建对象
soup = BeautifulSoup(html, 'lxml')

# 缩进格式
print(soup.prettify())

# 获取title标签的所有内容
print(soup.title)

# 获取title标签的名称
print(soup.title.name)

# 获取title标签的文本内容
print(soup.title.string)

# 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())

5.2 对象种类

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通俗点讲就是HTML中的一个个标签
soup = BeautifulSoup('<b class="boldest">Extremely bold</b>','lxml')
tag = soup.b
print(tag)
print(type(tag))

# 输出结果
<b class="boldest">Extremely bold</b>
<class 'bs4.element.Tag'>

# 2.name属性
print(tag.name)
# 输出结果：b
# 如果改变了tag的name,那将影响所有通过当前Beautiful Soup对象生成的HTML文档:
tag.name = "b1"
print(tag)
# 输出结果：<b1 class="boldest">Extremely bold</b1>

# 3.Attributes属性
# 取clas属性
print(tag['class'])

# 直接”点”取属性, 比如: .attrs :
print(tag.attrs)

# 4.tag 的属性可以被添加、修改和删除
# 添加 id 属性
tag['id'] = 1

# 修改 class 属性
tag['class'] = 'tl1'

# 删除 class 属性
del tag['class']

NavigableString：用.string获取标签内部的文字

print(soup.b.string)

print(type(soup.b.string))

BeautifulSoup：表示的是一个文档的内容，可以获取它的类型，名称，以及属性

print(type(soup.name))
# <type 'unicode'>

print(soup.name)
# [document]

print(soup.attrs)
# 文档本身的属性为空

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.b)

print(soup.b.string)

print(type(soup.b.string))

5.3 搜索文档树

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

name 参数：name 参数可以查找所有名字为 name 的tag,字符串对象会被自动忽略掉

# 匹配字符串：查找与字符串完整匹配的内容,用于查找文档中所有的<a>标签
a_list = soup.find_all("a")
print(a_list)

# 匹配正则表达式：如果传入正则表达式作为参数,Beautiful Soup会通过正则表达式的 match() 来匹配内容
# 返回所有表示<body>和<b>标签
for tag in soup.find_all(re.compile("^b")):
    print(tag.name)

# 匹配列表：如果传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回
# 返回所有所有<p>标签和<a>标签:
soup.find_all(["p", "a"])

kwargs参数

soup.find_all(id='link2')

text参数：通过 text 参数可以搜搜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

# 匹配字符串
soup.find_all(text="a")

# 匹配正则
soup.find_all(text=re.compile("^b"))

# 匹配列表
soup.find_all(text=["p", "a"])

5.4 css选择器

我们在使用BeautifulSoup解析库时，经常会结合CSS选择器来提取数据。

根据标签名查找：比如写一个 li 就会选择所有li 标签, 不过我们一般不用，因为我们都是精确到标签再提取数据的

from bs4 import BeautifulSoup

html = '''
<div class="panel">
    <div class="panel-heading">
        <h4>Hello</h4>
    </div>
    <div class="panel_body">
        <ul class="list" id="list-1" name="element">
            <li class="element">Foo</li>
            <li class="element">Bar</li>
            <li class="element">Jay</li>
        </ul>
        <ul class="list list-small" id="list-2">
            <li class="element">Foo</li>
                <a href="https://www.baidu.com">百度官网</a>
            <li class="element">Bar</li>
        </ul>
    </div>
</div> 
'''
# 创建对象
soup = BeautifulSoup(html, 'lxml')

# 1. 根据标签名查找：查找li标签
print(soup.select("li"))

# 输出结果
[<li class="element">Foo</li>, <li class="element">Bar</li>, <li class="element">Jay</li>, <li class="element">Foo</li>, <li class="element">Bar</li>]

根据类名class查找。.1ine, 即一个点加line，这个表达式选的是class= "line "的所有标签，".”代表class

print(soup.select(".panel_body"))

# 输出结果
</ul>
<ul class="list list-small" id="list-2">
<li class="element">Foo</li>
<li class="element">Bar</li>
</ul>
</div>]

根据id查找。#box,即一个#和box表示选取id-”box "的所有标签，“#”代表id

print(soup.select("#list-1"))

# 输出结果
[<ul class="list" id="list-1" name="element">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>]

根据属性的名字查找。class属性和id属性较为特殊，故单独拿出来定义一个". "和“”来表示他们。

# 比如：input[ name=“username”]这个表达式查找name= "username "的标签，此处注意和xpath语法的区别
print(soup.select('ul[ name="element"]'))

# 输出结果
[<ul class="list" id="list-1" name="element">
<li class="element">Foo</li>
<li class="element">Bar</li>
<li class="element">Jay</li>
</ul>]

学习遇到的问题

暂无

学习的收获

了解到了使用BeautifulSoup4库。

实操

暂无

本文含有隐藏内容，请开通VIP 后查看

【21天Python进阶学习挑战赛】[day18-19]爬虫解析器BeautifulSoup4

学习日记

学习知识点

1、BeautifulSoup4库介绍

2、安装

3、导包

4、解析库

5、实践

学习遇到的问题

学习的收获

实操

网站公告

今日签到

热门文章

最新发布