1 from bs4 import BeautifulSoup 2 soup1 = BeautifulSoup("<html>data</html>","html.parser") 3 soup2 = BeautifulSoup(open("D://demo.html"),"html.parser")
BeautifulSoup库解析器:
解析器 | 使用方法 | 条件 |
bs4的HTML解析器 | BeautifulSoup(mk,'html.parser') | 安装bs4库 |
lxml的HTML解析器 | BeautifulSoup(mk,'lxml') | pip install lxml |
lxml的XML解析器 | BeautifulSoup(mk,'xml') | pip install lxml |
html5lib的解析器 | BeautifulSoup(mk,'html5lib') | pip install html5lib |
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<></>表明开头和结尾 |
Name | 标签的名字,<p>...</p>的名字是'p',格式:<tag>.name |
Attributes | 标签的属性,字典形式组织,格式:<tag>.attrs |
NavigableString | 标签内非属性字符串,<>...</>中字符串,格式:<tag>.string |
Comment | 标签内字符串的注释部分,一种特殊的Comment类型 |
1 import request 2 from bs4 import BeautifulSoup 3 4 r = requests.get('http://www.baidu.com') 5 r.raise_for_status() 6 r.encoding = r.apparent_encoding 7 demo = r.text 8 soup = BeautifulSoup(demo,"html.parser") 9 print(soup.title)#打印title标签 10 tag = soup.a 11 prnt(tag)#打印a标签,有时候一个页面里面有很多个a标签,可是这个方法只能获得第一个a标签 12 print(soup.a.name)#获得a标签的名字,即a 13 print(soup.a.parent.name)#获得a标签的上一级标签 14 print(soup.a.parent.parent.nama)#获得a标签的祖父的标签名字 15 print(tag.attrs)#获得标签的属性 16 print(tag.attrs['class'])#获得a标签的class属性 17 print(tag.attrs['href'])#获得a标签的href属性,即相关链接 18 print(type(tag.attrs))#获得标签的属性,即字典型<class 'dict'> 19 print(type(tag))#获得标签的类型,<class 'bs4.element.Tag'> 20 21 print(soup.a.string)#获得a标签里面的信息 22 print(soup.p.string)#获得p标签里面的信息 23 print(type(soup.p.string))#获得p标签的string的类型,是NavigavleString型,它可以跨越多个标签层次,<class 'bs4.element.NavigableString'> 24 25 newsoup = BeautifulSoup(demo,"html.parser")#这个HTML里面的p标签里面有一个注释的b标签 26 print(newsoup.b.string)#b是一个注释标签,但是打印出来的类型把尖括号去掉了,'This is a Comment' 27 28 #小结: 29 #<p class="tittle">...</p> 30 #<tag.name tag.attrs>tag.string</tag.name>