Python爬虫小白入门（十）Python 爬虫 – BeautifulSoup分析页面

我们已经抓取了一个HTML页面，接下来，我们使用BeautifulSoup来分析页面。

import requests
from bs4 import BeautifulSoup

page = requests.get("https://kevinhwu.github.io/demo/python-scraping/simple.html")

soup = BeautifulSoup(page.content, 'html.parser')

导入BeautifulSoup库，创建页面解析对象soup。

前面打印出的html页面格式很乱，如果想打印出美化格式的html页面，可以使用BeautifulSoup对象上的prettify方法:

print(soup.prettify())

输出

<!DOCTYPE html>
<html>
 <head>
  <title>
   A simple example page
  </title>
 </head>
 <body>
  <p>
   Here is some simple content for this page.
  </p>
 </body>
</html>

html文档解析后，文档中的html元素构成一个树形结构。可以使用BeautifulSoup对象上的children属性(类型是list_iterator)，访问页面的顶层元素。

list(soup.children)

输出

['html', '\n', <html>
<head>
<title>
A simple example page
</title>
</head>
<body>
<p>
Here is some simple content for this page.
</p>
</body>
</html>, '\n']

可以看到，页面顶层有2个元素:

<!DOCTYPE html>初始标签
<html>标签

列表中还有2个换行符(\n)。可以看一下列表中元素的类型是什么:

[type(item) for item in list(soup.children)]

输出

[<class 'bs4.element.Doctype'>, <class 'bs4.element.NavigableString'>, <class 'bs4.element.Tag'>, <class 'bs4.element.NavigableString'>]

如上所示，所有对象都是BeautifulSoup中的对象：

bs4.element.Doctype – Doctype对象，包含关于文档类型的信息
bs4.element.Tag – Tag对象，表示html 标签，对象中会嵌套其他标签
bs4.element.NavigableString – 表示HTML文档中的文本，此处是指2个换行符文本的类型

Tag对象是最重要的对象类型，是我们最常打交道的对象类型。Tag对象让我们可以遍历，提取HTML文档中的标签和文本。

返回HTML文档顶层子节点的第3个节点，即<html>标签。

html = list(soup.children)[2]

返回的节点html也是一个BeautifulSoup对象，因此可以继续访问该节点的子节点：

list(html.children)

输出

['\n', <head>
<title>
A simple example page
</title>
</head>, '\n', <body>
<p>
Here is some simple content for this page.
</p>
</body>, '\n']

可以看到，忽略换行符，这里有2个标签，head和body。

尝试提取p标签中的文本，先找到body：

body = list(html.children)[3]

获取body标签的子标签:

list(body.children)

输出

['\n', <p>
Here is some simple content for this page.
</p>, '\n']

提取p标签:

p = list(body.children)[1]

得到p标签后，就可以使用get_text方法来提取标签内的文本:

import requests
from bs4 import BeautifulSoup
page=requests.get("https://kevinhwu.github.io/demo/python-scraping/simple.html")
soup=BeautifulSoup(page.content,'html.parser')
# print(soup.prettify())
html = list(soup.children)[2]
body = list(html.children)[3]
p = list(body.children)[1]
print(p.get_text())

输出

C:\Anaconda3\python.exe "C:\Program Files\JetBrains\PyCharm 2019.1.1\helpers\pydev\pydevconsole.py" --mode=client --port=54852
import sys; print('Python %s on %s' % (sys.version, sys.platform))
sys.path.extend(['C:\\app\\PycharmProjects', 'C:/app/PycharmProjects'])
Python 3.7.6 (default, Jan  8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64)]
Type 'copyright', 'credits' or 'license' for more information
IPython 7.12.0 -- An enhanced Interactive Python. Type '?' for help.
PyDev console: using IPython 7.12.0
Python 3.7.6 (default, Jan  8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64)] on win32
runfile('C:/app/PycharmProjects/ArtificialIntelligence/test2.py', wdir='C:/app/PycharmProjects/ArtificialIntelligence')
Here is some simple content for this page.

Python爬虫小白入门（十）Python 爬虫 – BeautifulSoup分析页面

猜你喜欢