Beautiful Soup库详解

Beautiful Soup库

Beautiful Soup库是解析、遍历、维护html“标签树”的功能库

from bs4 import BeautifulSoup
soup = BeautifulSoup('<p>data</p>','html.parser')
soup2 = BeautifulSoup(open("D://demo.html"),'html.parser')

BeautifulSoup库的解析器

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解析器	BeautifulSoup(mk,‘lxml’)	pip install lxml
lxml的XML解析器	BeautifulSoup(mk,‘xml’)	pip install lxml
html5lib的解析器	BeautifulSoup(mk,‘html5lib’)	pip install html5lib

Beautiful Soup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，<’ 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，<>…</>中字符串，格式:<‘tag’>.string
Comment	标签内字符串的注释部分，一种特殊的Comment类型

基于bs4库的HTML内容的遍历方法

标签树的下行遍历

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，包括所有子孙节点，用于循环遍历

标签树的上行遍历

属性	说明
.parent	节点是父亲标签
.parents	节点先辈标签的迭代类型，用于循环遍历先辈节点

标签父节点名字的打印

soup = BeautifulSoup(demo,"html.parser")
for parent in soup.a.parents:
    if parent is None:
        print(parent)
    else:
        print(parent.name)

标签树是平行遍历

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

---

基于bs4库的HTML内容查找

<>.find_all(name,attrs,recursive,string,**kwargs)
# 返回一个列表类型，存储查找的结果。
name:对标签名称的检索字符串
attrs：对标签属性值的检索字符串，可标注属性检索。
recursive：是否对子孙全部检索，默认True。
string：<>...</>中字符串区域的检索字符串。

<tag>(..) 等价于 <tag>.find_all(..)
soup(..) 等价于 soup.find_all(..)

扩展方法

方法	说明
<>.find()	搜索且只返回一个结果，字符串类型
<>.find_parents()	在先辈节点中搜索，返回列表类型
<>.find_parent()	在先辈节点中返回一个结果，字符串类型
<>.find_next_siblings()	在后续平行节点中搜索，返回列表类型
<>.find_next_sibling()	在后续平行节点中返回一个结果，字符串类型
<>.find_previous_siblings()	在前续平行节点中搜索，返回列表类型
<>.find_previous_sibling()	在前续平行节点中返回一个结果，字符串类型

---