• 爬虫系列之BeautifulSoup


    BeautifulSoup是处理爬虫的一个强大工具,在HTML页面中,是由各种标签构成的,BeautifulSoup的功能就是从标签下手的,它是解析、遍历、维护“标签树”的功能库。

    BeautifulSoup的基本元素如下:

    1. 基本格式如下:

    1 from bs4 import BeautifulSoup
    2 import requests
    3 
    4 url = "http://python123.io/ws/demo.html"
    5 
    6 r = requests.get(url)
    7 demo = r.text
    8 soup = BeautifulSoup(demo, "html.parser")  #将爬到的内容进行解析,demo就是内容,"html.parser"是解析器,按照html格式来进行解析
    9 print(soup.prettify())  #输出解析得到的内容

    解析效果如下:

    2. 具体使用方法如下:

     1 >>> from bs4 import BeautifulSoup
     2 >>> import requests
     3 >>> url = "http://python123.io/ws/demo.html"
     4 >>> r = requests.get(url)
     5 >>> demo = r.text
     6 >>> soup = BeautifulSoup(demo, "html.parser")
     7 >>> soup.title  #显示标题
     8 <title>This is a python demo page</title>
     9 >>> soup.a  #显示a标签内容
    10 <a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a>
    11 >>> soup.a.name  #显示a标签名字
    12 'a'
    13 >>> soup.a.parent.name  #显示a标签父标签名字
    14 'p'
    15 >>> soup.a.parent.parent.name  #显示a标签父标签的父标签名字
    16 'body'
    17 >>> soup.a.attrs  #获得a标签的属性
    18 {'href': 'http://www.icourse163.org/course/BIT-268001', 'class': ['py1'], 'id': 'link1'}
    19 >>> soup.a.attrs["class"]  #因为是字典,所以这里用字典形式可以获得各个属性的值
    20 ['py1']
    21 >>> type(soup.a.attrs)
    22 <class 'dict'>   #字典类型
    23 >>> soup.a.string  #获得a标签中的字符内容
    24 'Basic Python'
    25 >>> soup   #soup内容如下
    26 <html><head><title>This is a python demo page</title></head>
    27 <body>
    28 <p class="title"><b>The demo python introduces several python courses.</b></p>
    29 <p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
    30 
    31 <a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a> and <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">Advanced Python</a>.</p>
    32 </body></html>
    33 >>> 

    3. 标签树的下行遍历

     1 >>> soup.head  #获取soup的head
     2 <head><title>This is a python demo page</title></head>
     3 >>> soup.head.contents  #获取head的儿子结点
     4 [<title>This is a python demo page</title>]
     5 >>> soup.body.contents  #获取body的儿子结点
     6 ['
    ', <p class="title"><b>The demo python introduces several python courses.</b></p>, '
    ', <p 
     7 
     8 class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to 
     9 
    10 professional by tracking the following courses:<a class="py1" href="http://www.icourse163.org/course/BIT-268001" 
    11 
    12 id="link1">Basic Python</a> and <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" 
    13 
    14 id="link2">Advanced Python</a>.</p>, '
    ']
    15 >>> 
    16 >>> len(soup.body.contents)  #获取儿子结点的个数
    17 5
    18 >>> 

    4. 标签树的上行遍历

    5. 标签树的平行遍历

     平行遍历发生在同一个父节点下的各节点间。

    6. find_all()方法

    soup内容如下:

    1、查找soup中所有的a标签:

    2、同时查找soup中所有的a标签和b标签

    3、recursive参数对子孙全部检索

     4、正则表示式查找 b 开头的标签

    4、用name和attrs两个参数查找含有指定字符串的标签

     5、string参数检索指定字符串

  • 相关阅读:
    高级前端工程师面试必备(持续更新中)
    用node编写cli工具
    用vscode开发vue应用
    jsbridge的js封装
    react-create-app 构建react项目的流程以及需要注意的地方
    【面试篇】寒冬求职季之你必须要懂的原生JS(中)
    基于vue-cli3.0构建功能完善的移动端架子,主要功能包括
    @vue/cl构建得项目下,postcss.config.js配置,将px转化成rem
    eslint prettier editrorconfig
    数据结构题集--集锦
  • 原文地址:https://www.cnblogs.com/zyb993963526/p/9082433.html
Copyright © 2020-2023  润新知