目录
Beautiful Soup库的安装
Win平台: 以管理员身份运行
cmd 执行 pip install beautifulsoup4
Beautiful Soup库的安装小测
- 首先，获取网页源码保存至变量中
import requestsr = requests.get("https://python123.io/ws/demo.html")demo = r.text - 其次，引入Beautiful Soup库。
from bs4 import BeautifulSoup - 使用Beautiful Soup库的html解析器对网页源码进行解析。得到结果
- 通过prettify()方法进行显示
from bs4 import BeautifulSoupsoup = BeautifulSoup(demo, "html.parser") # 使用html解析器进行解析print(soup.prettify()) # 打印解析后的结果
Beautiful Soup库使用格式
from bs4 import BeautifulSoup
soup = BeautifulSoup('data
','html.parser')Beautiful Soup库的基本元素
Beautiful Soup库的理解
Beautiful Soup库是解析、遍历、维护“标签树”的功能库
Beautiful Soup库的引用
Beautiful Soup库，也叫beautifulsoup4 或bs4 约定引用方式如下，即主要是用BeautifulSoup类
from bs4 import BeautifulSoup importbs4
BeautifulSoup类
BeautifulSoup对应一个HTML/XML文档的全部内容
Beautiful Soup库解析器
soup=BeautifulSoup('data'，'html.parser')
| 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 | BeautifulSoup(mk,'lxml') | pip install lxml |
| lxml的XML解析 | BeautifulSoup(mk,'xml') | pip install lxml |
| html5lib的解析 | 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<>和</>标明开头和结尾 |
| Name | 标签的名字， … 的名字是'p'，格式：.name |
| Attributes | 标签的属性，字典形式组织，格式：.attrs |
| NavigableString | 标签内非属性字符串，<>…</>中字符串，格式：.string |
| Comment | 标签内字符串的注释部分，一种特殊的Comment类型 |
Tag标签
任何存在于HTML语法中的标签都可以用soup.访问获得 当HTML文档中存在多个相同对应内容时，soup.返回第一个
Tag的name（名字)
每个都有自己的名字，通过.name获取，字符串类型
Tag的attrs（属性）
一个可以有0或多个属性，字典类型
Tag的NavigableString
NavigableString可以跨越多个层次
Tag的Comment
Comment是一种特殊类型
基于bs4库的HTML内容遍历方法
HTML基本格式
标签树的下行遍历
BeautifulSoup类型是标签树的根节点
| 属性 | 说明 |
|---|---|
| .contents | 子节点的列表，将所有儿子节点存入列表 |
| .children | 子节点的迭代类型，与.contents类似，用于循环遍历儿子节点 |
| .descendants | 子孙节点的迭代类型，包含所有子孙节点，用于循环遍历 |
for child in soup.body.children: # 遍历儿子节点 print(child)for child in soup.body.descendants: # 遍历子孙节点 print(child)
标签树的上行遍历
| 属性 | 说明 |
|---|---|
| .parent | 节点的父亲标签 |
| .parents | 节点先辈标签的迭代类型，用于循环遍历先辈节点 |
标签树的平行遍历
| 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文本顺序的前续所有平行节点标签 |
for sibling in soup.a.next_sibling: # 遍历后续节点 print(sibling)for sibling in soup.a.previous_sibling: # 遍历前续节点 print(sibling)
基于bs4库的HTML格式输出
能否让HTML内容更加“友好”的显示？
bs4库的prettify()方法
.prettify()为HTML文本<>及其内容增加更加'\n'
.prettify()可用于标签，方法：.prettify()
bs4库的编码
bs4库将任何HTML输入都变成utf‐8编码 Python 3.x默认支持编码是utf‐8,解析无障碍