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)
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 |