0
点赞
收藏
分享

微信扫一扫

使用BeautifulSoup库解析htm、xml文档


​​BeautifulSoup​​ 安装:

~/Desktop$ sudo pip install beautifulsoup4

测试:

from bs4 import BeautifulSoup

if __name__ == "__main__":
# 第一个参数是html文档文本,第二个参数是指定的解析器
soup = BeautifulSoup('<p>data</p>', 'html.parser')
print(soup.prettify())

输出:

<p>
data
</p>

说明安装成功了。

Beautiful Soup库也叫bs4,Beautiful Soup库是解析 、遍历、维护 “标签树”的功能库。

Beautiful Soup库解析器:

解析器

使用方法

条件

bs4的HTML解析器

BeatifulSoup(mk,‘html.parser’)

pip install bs4

lxml的HTML解析器

BeatifulSoup(mk,‘lxml’)

pip install lxml

lxml的XML解析器

BeatifulSoup(mk,‘xml’)

pip install lxml

html5lib的解析器

BeatifulSoup(mk,‘html5lib’)

pip install html5lib

Beatiful Soup类的基本元素

基本元素

说明

Tag

标签,最基本的信息组织元素,分别用<>和</>标明开头和结尾。

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,<>…</p> 中的字符串,格式:<tag>.string

Comment

标签内字符串的注释部分,一种特殊的Comment类型

示例:

import requests
from bs4 import BeautifulSoup


def handle_url(url):
try:
r = requests.get("http://www.baidu.com")
r.raise_for_status()
if r.encoding == 'ISO-8859-1':
r.encoding = r.apparent_encoding
demo = r.text
soup = BeautifulSoup(demo, 'html.parser')
# a标签有很多个,但soup.a返回第一个
print(soup.a)
# <class 'bs4.element.Tag'>
print(type(soup.a))
# 标签名a
print(soup.a.name)
# <class 'str'>
print(type(soup.a.name))
# 标签内的属性的字典,键值对
print(soup.a.attrs)
# <class 'dict'>
print(type(soup.a.attrs))
# 获取a标签的href属性值
print(soup.a.attrs['href'])
# <class 'str'>
print(type(soup.a.attrs['href']))
# 标签的内容
print(soup.a.string)
# a标签的父元素
print(soup.a.parent)
except:
print("fail fail fail")


if __name__ == "__main__":
url = "http://www.baidu.com"
handle_url(url)

Beatiful Soup遍历HTML元素

Html具有树型结构,因此遍历有三种:
下行遍历:

属性

说明

.contents

子节点的列表,将<tag> 所有儿子节点存入列表

.children

子节点的迭代类型,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

import requests
from bs4 import BeautifulSoup


def handle_url(url):
try:
r = requests.get("http://www.baidu.com")
r.raise_for_status()
if r.encoding == 'ISO-8859-1':
r.encoding = r.apparent_encoding
demo = r.text
soup = BeautifulSoup(demo, 'html.parser')
print(soup.head)
# head标签的儿子节点
print(soup.head.contents)
# 是list列表类型
print(type(soup.head.contents))
# head有5个儿子节点
print(len(soup.head.contents))
# 取出head的第5个儿子节点
print(soup.head.contents[4])
# 使用children遍历儿子节点
for child in soup.head.children:
print(child)
# 使用descendants遍历子孙节点
for child in soup.head.descendants:
print(child)
except:
print("fail fail fail")


if __name__ == "__main__":
url = "http://www.baidu.com"
handle_url(url)

上行遍历:

属性

说明

.parent

节点的父亲标签

.parents

节点先辈的迭代类型,用于循环遍历先辈节点

import requests
from bs4 import BeautifulSoup


def handle_url(url):
try:
r = requests.get("http://www.baidu.com")
r.raise_for_status()
if r.encoding == 'ISO-8859-1':
r.encoding = r.apparent_encoding
demo = r.text
soup = BeautifulSoup(demo, 'html.parser')
# html标签的父节点是它自己
print(soup.html.parent)
# soup本身也是一种特殊的标签节点,它的父节点是None空
print(soup.parent)
# title标签的父节点
print(soup.title.parent)
# 遍历title标签的先辈节点
for parent in soup.title.parents:
if parent is None:
print(parent)
else:
print(parent.name)
except:
print("fail fail fail")


if __name__ == "__main__":
url = "http://www.baidu.com"
handle_url(url)

平行遍历::必须发生在同一个父节点下

属性

说明

.next_sibling

返回按照 HTML文本顺序的下一个平等节点标签

.previous_sibling

返回按照 HTML文本顺序的上一个平等节点标签

.next_siblings

迭代类型,返回按照HTML文本顺序的后续所有平等节点标签

.previous_siblings

迭代类型,返回按照HTML文本顺序的前续所有平等节点标签

import requests
from bs4 import BeautifulSoup


def handle_url(url):
try:
r = requests.get("http://www.baidu.com")
r.raise_for_status()
if r.encoding == 'ISO-8859-1':
r.encoding = r.apparent_encoding
demo = r.text
soup = BeautifulSoup(demo, 'html.parser')
# title的前一个平行节点
print(soup.title.previous_sibling)
# link的下一个平行节点
print(soup.link.next_sibling)
# 遍历meta标签的所有的后续平行节点
for sibling in soup.meta.next_siblings:
print(sibling)
# 遍历title标签的所有前续的平行节点
for sibling in soup.title.previous_siblings:
print(sibling)

except:
print("fail fail fail")


if __name__ == "__main__":
url = "http://www.baidu.com"
handle_url(url)


举报

相关推荐

0 条评论