BeautifulSoup
一、什么是BeautifulSoup
BS4是一个解析库，可以通过某种解析器来帮我们提取想要的数据
二、为什么用BS4
因为他可以用简洁的语法快速提取用户想要的内容
三、安装
# 安装BeautifulSoup4
pip3 install beautifulsoup4
# 安装解析器
# 根据官网解释，推荐使用lxml
pip3 install lxml四、基本使用
from bs4 import BeautifulSoup
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="sister"><b>$37</b></p>
<p class="story" id="p">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" >Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
soup = BeautifulSoup(html_doc,'lxml')
#自动补全html标签功能
print(soup)
html_doc = soup.prettify()
print(html_doc)五、遍历文档树
from bs4 import BeautifulSoup
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="sister"><b>$37</b></p>
<p class="story" id="p">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" >Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
soup = BeautifulSoup(html_doc,'lxml')
# 1、直接使用
print(soup.html)
print(type(soup.html)) #类型变成了element_tag
print(soup.a)
# 2、获取标签的名称
print(soup.a.name)
# 3、获取标签的属性
print(soup.a.attrs)
# 4、获取标签的内容
print(soup.p.text)
# 5、嵌套选择
print(soup.html.body.p)
# 6、子节点、子孙节点
print(soup.p.children)
# 7、父节点、祖先节点
print(soup.b.parent)
print(soup.b.parents)
#返回一个生成器
# 生成器：
def f():
yield 1
yield 2
yield 3
#把值放在生成器中
g=f() #expected results :<generator object parents at 0x000001C03E19E308>
for line in g:
print(line)
#expected results 1 2 3
# 8、兄弟节点 （sibling: 兄弟姐妹）
print(soup.a)
# 获取下一个兄弟节点
print(soup.a.next_sibling)
# 获取下一个的所有兄弟节点,返回的是一个生成器
print(soup.a.next_siblings)
print(list(soup.a.next_siblings))
# 获取上一个兄弟节点
print(soup.a.previous_sibling)
# 获取上一个的所有兄弟节点，返回的是一个生成器
print(list(soup.a.previous_siblings))六、搜索文档树
标签查找与属性查找:
find与findall
find找一个
findall找所有
标签:
- 字符串过滤器 字符串全局匹配
name 属性匹配
attrs 属性查找匹配
text 文本匹配
- 正则过滤器
re模块匹配
- 列表过滤器
列表内的数据匹配
- bool过滤器
True匹配
- 方法过滤器
用于一些要的属性以及不需要的属性查找。
属性:
- class_
- idfrom bs4 import BeautifulSoup
import re
# 注意: 如何初始文本内有换行，也会算在里面。（坑）
html_doc = """
<html><head><title>The Dormouse's story</title></head><body><p class="sister"><b>$37</b></p><p class="story" id="p">Once upon a time there were three little sisters; and their names were<a href="http://example.com/elsie" class="sister" >Elsie</a><a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>and they lived at the bottom of a well.</p><p class="story">...</p>
"""
# 第一个参数是解析文本
# 第二个参数是解析器
soup = BeautifulSoup(html_doc, 'lxml')
'''
标签查找与属性查找:
标签:
- 字符串过滤器 字符串全局匹配
name 属性匹配
attrs 属性查找匹配
text 文本匹配
- 正则过滤器
re模块匹配
- 列表过滤器
列表内的数据匹配
- bool过滤器
True匹配
- 方法过滤器
用于一些要的属性以及不需要的属性查找。
属性:
- class_
- id
'''
# 1、字符串
# find的默认参数 第一个是name、第二个是attrs、第四个是text
# name: 根据标签名匹配节点
print(soup.find('p')) # 获取第一个p标签
print(soup.find_all(name='p')) # 获取所有的p标签
# attrs: 根据属性查找匹配节点
print(soup.find(attrs={'id': 'p'})) # 查找id为p的标签
print(soup.find_all(attrs={'class': 'sister'})) # 查找class为sister的所有标签
# text: 根据文本匹配文档树内的文本
# 推荐配合其他匹配规则使用，否则毫无意义
print(soup.find(text='$37')) # 查找标签内为$37的文本
# name与text配合使用
print(soup.find_all(name='p', text='$37')) # 查找所有文本为$37的p标签
# name与attrs配合使用
print(soup.find(name='a', attrs={'id': 'link2'})) # 查找第一个id为link2的a标签
# attrs与text配合使用
print(soup.find_all(attrs={'id': 'link2'}, text='Lacie')) # 查找所有id为link2，文本为Lacie的标签
# name、attrs、text组合使用
print(soup.find_all(name='a', attrs={'id': 'link3'}, text='Tillie')) # 查找所有id为link3，文本为Tillie的a标签
# 2、正则
print(soup.find(name=re.compile('a'))) # 通过第一个标签名带有a的节点
print(soup.find_all(attrs={'id': re.compile('link')})) # 匹配所有id名带有link的节点
print(soup.find_all(text=re.compile('and'))) # 匹配所有文本带有"and"的节点
# 3、列表 （列表内可以匹配多个）
print(soup.find_all(name=['a', re.compile('e')])) # 匹配所有a标签节点与所有标签中带有e的节点
print(soup.find_all(text=['$'])) # 找不到，因为$是精确查找
print(soup.find_all(text=['$37'])) # 查找$37文本，这样查找是没有意义的
print(soup.find_all(text=[re.compile('\$')])) # 正则中$是特殊字符,所以需要转义
# 4、bool
print(soup.find_all(name=True)) # 查找所有有标签名的节点
print(soup.find_all(attrs={'id': True})) # 查找所有有id的节点
print(soup.find_all(text=True)) # 查找所有文本
# 5、方法
# 写一个只要有class没有id的a标签的函数
def has_class_not_id(arg):
if arg.name == 'a' and arg.has_attr('class') and not arg.has_attr('id'):
return arg.name
print(soup.find_all(name=has_class_not_id)) # 通过has_class_not_id的函数匹配节点
# 6、标签与属性查找
# 标签
print(soup.find_all(attrs={'class': 'sister'}))
# 属性
# 根据class属性查找，因为class是关键字，所以后面需要加下划线
print(soup.find_all(class_='sister'))
# 根据id属性查找
print(soup.find_all(id='link2'))