from bs4 import BeautifulSoup html = """ <html><head><title>The Dormouse's story</title></head> <body> <p class="title" name="dromouse"><b>The Dormouse's story</b></p> <p class="story">Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1"><!-- 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) #打印一下 soup 对象的内容,格式化输出 print(soup.prettify()) #=================================== #(1)Tag #获取标签内容 #soap+标签 查找的是在所有内容中的第一个符合要求的标签 print(soup.title) #<title>The Dormouse's story</title> print(soup.head) print(soup.a) print(soup.p) #<p class="title" name="dromouse"><b>The Dormouse's story</b></p> #验证对象类型 print(type(soup.a)) ##<class 'bs4.element.Tag'> #把 p 标签的所有属性打印输出了出来 print(soup.p.attrs) # {'class': ['title'], 'name': 'dromouse'} #Tag的name属性 print(soup.name) print(soup.head.name) #[document] #head #单独获取某个属性 print(soup.p['class']) #['title'] print(soup.p.get('class')) #['title'] #更改或新增属性内容 soup.p['class']="newClass" print(soup.p) #<p class="newClass" name="dromouse"><b>The Dormouse's story</b></p> #删除属性 del soup.p['class'] print(soup.p) #<p name="dromouse"><b>The Dormouse's story</b></p> #============================= #(2)NavigableString #获取标签内容 print(soup.p.string) #The Dormouse's story print(soup.a.string) #Elsie #标签内容类型 print(type(soup.p.string)) ##<class 'bs4.element.NavigableString'> #============================= #(3)BeautifulSoup #BeautifulSoup 对象表示的是一个文档的全部内容.大部分时候,可以把它当作 Tag 对象,是一个特殊的 Tag,我们可以分别获取它的类型,名称,以及属性来感受一下 print(type(soup.name)) #<type 'unicode'> print(soup.name) # [document] print(soup.attrs) #{} 空字典 #============================= #(4)Comment #Comment 对象是一个特殊类型的 NavigableString 对象,其实输出的内容仍然不包括注释符号 print(soup.a) #<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a> print(soup.a.string) #Elsie print(type(soup.a.string)) #<class 'bs4.element.Comment'>
遍历文档树
from bs4 import BeautifulSoup html = """ <html><head><title>The Dormouse's story</title></head> <body> <p class="title" name="dromouse"><b>The Dormouse's story</b></p> <p class="story">Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1"><!-- 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) print("==========================================") #遍历文档树 #(1)直接子节点.contents .children #.contents 和 .children 属性仅包含tag的直接子节点 print(soup.head.contents) #[<title>The Dormouse's story</title>] print(soup.head.contents[0] ) #<title>The Dormouse's story</title> print(soup.head.contents[0].string ) #The Dormouse's story print(soup.head.children) #<listiterator object at 0x7f71457f5710> for child in soup.head.children: print(child) #<title>The Dormouse's story</title> print("=======================1") for child in soup.p.children: print(child) #<b>The Dormouse's story</b> print("=======================2") for child in soup.body.children: print(child) print("==========================================") #(2)所有子孙节点.descendants for child in soup.descendants: print(child) #(3)节点内容:.string 属性 #如果一个标签里面没有标签了,那么 .string 就会返回标签里面的内容。如果标签里面只有唯一的一个标签了,那么 .string 也会返回最里面的内容。 print(soup.head.string) #The Dormouse's story print(soup.title.string) #The Dormouse's story #如果tag包含了多个子节点,tag就无法确定,string 方法应该调用哪个子节点的内容, .string 的输出结果是 None print(soup.html.string) # None #(4)多个内容 .strings .stripped_strings 属性 #for string in soup.strings: # print(repr(string)) #输出的字符串中可能包含了很多空格或空行,使用 .stripped_strings 可以去除多余空白内容 for string in soup.stripped_strings: print(repr(string)) #(5)父节点 .parent 属性 p = soup.p print(p.parent.name) #body print(soup.title.parent.name ) #head #(6)全部父节点 .parents content = soup.head.title.string for parent in content.parents: print(parent.name) #title #head #html #[document] #(7)兄弟节点 #知识点:.next_sibling .previous_sibling 属性 #兄弟节点可以理解为和本节点处在统一级的节点,.next_sibling 属性获取了该节点的下一个兄弟节点,.previous_sibling 则与之相反,如果节点不存在,则返回 None #注意:实际文档中的tag的 .next_sibling 和 .previous_sibling 属性通常是字符串或空白,因为空白或者换行也可以被视作一个节点,所以得到的结果可能是空白或者换行 print soup.p.next_sibling # 实际该处为空白 print soup.p.prev_sibling #None 没有前一个兄弟节点,返回 None print soup.p.next_sibling.next_sibling #<p class="story">Once upon a time there were three little sisters; and their names were #<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, #<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and #<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>; #and they lived at the bottom of a well.</p> #(8)全部兄弟节点 #知识点:.next_siblings .previous_siblings 属性 for sibling in soup.a.next_siblings: print(repr(sibling)) #(9)前后节点 #知识点:.next_element .previous_element 属性 #与 .next_sibling .previous_sibling 不同,它并不是针对于兄弟节点,而是在所有节点,不分层次 #<head><title>The Dormouse's story</title></head> #那么它的下一个节点便是 title,它是不分层次关系的 print(soup.head.next_element) #<title>The Dormouse's story</title> #(10)所有前后节点 #知识点:.next_elements .previous_elements 属性 for element in last_a_tag.next_elements: print(repr(element))
。。
相关推荐
**标签“爬虫”和“python”** 提示了Beautiful Soup在数据抓取领域的应用,它常与请求库如`requests`配合,首先发送HTTP请求获取网页HTML,然后使用Beautiful Soup解析返回的HTML内容。 综上所述,Beautiful Soup...
Python 爬虫入门教程之 Beautiful Soup 解析 本教程主要讲解 Python 爬虫入门知识,通过 Beautiful Soup 解析网页,抓取中国旅游网首页信息,了解网页结构,使用 requests 库抓取网站数据,并进行数据清洗和组织。 ...
总的来说,Beautiful Soup作为Python爬虫开发的重要工具,以其简洁的API和强大的解析能力,极大地简化了数据提取的过程。通过熟练掌握Beautiful Soup的使用,你将能更好地应对各种复杂的网页结构,高效地实现你的...
Beautiful Soup主要应用于爬虫开发中,用于解析HTML页面,从中提取数据,如爬取网站上的新闻、商品信息、图片等内容,以及对数据进行分析、挖掘、可视化等处理。同时,也可以用Beautiful Soup来处理XML文档,如解析...
**Python使用Beautiful Soup爬虫教程** Beautiful Soup是一个强大的Python库,专门用于从HTML和XML文档中提取数据。它提供了一种简单易用的接口,帮助开发者解析和导航复杂的网页结构。在本教程中,我们将深入探讨...
python爬虫模块Beautiful Soup简介 简单来说,Beautiful Soup是python的一个库,最主要的功能是从网页抓取数据。官方解释如下: Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能...
在实际网络爬虫项目中,我们通常会结合其他库如`requests`来获取网页内容,再用Beautiful Soup解析。例如,`requests.get()`可以用来发送HTTP请求,获取HTML页面: ```python import requests response = requests...
Beautiful Soup库能够兼容多种HTML和XML解析器,包括Python标准库中的`html.parser`,以及第三方库如`lxml`和`html5lib`。这些解析器能够根据不同的需求和偏好来处理文档内容。 安装Beautiful Soup的过程非常简单,...
5. **信息的标记形式** - **XML**:扩展标记语言,用于结构化数据,支持注释。 - **JSON**:JavaScript对象表示法,类似于Python的字典,没有注释。 - **YAML**:一种轻量级的数据序列化语言,没有严格的类型系统...
5. 存储和处理数据: 最后,我们可能需要将这些数据保存到CSV、JSON或其他格式的文件中,以便后续分析。例如,使用pandas库可以方便地实现这一点: ```python import pandas as pd data = { '电影名称': movie_...
【Python爬虫数据抽取(二):解析库Beautiful Soup 4】 在Python的网络爬虫领域,BeautifulSoup是一个不可或缺的工具,它是一个用于解析HTML和XML文档的库,特别适合于数据抽取。BeautifulSoup 4(简称bs4)提供了...
Beautiful Soup是一个强大的Python库,专门用于解析和处理HTML和XML文档。它是爬虫程序员和网页开发者的好帮手,能够从复杂的文档中提取数据,使得解析网页内容变得更加轻松和高效。 1. BeautifulSoup的主要功能与...
**Python爬虫与Beautiful Soup库入门** Beautiful Soup是Python中常用的HTML和XML解析库,它提供了简单的导航、搜索和修改解析树的接口,是进行网页抓取和数据提取的得力工具。本篇将详细介绍Beautiful Soup库的...
要想学好爬虫,必须把基础打扎实,之前发布了两篇文章,分别是使用XPATH和requests爬取网页,今天的文章是学习Beautiful Soup并通过一个例子来实现如何使用Beautiful Soup爬取网页。 什么是Beautiful Soup ...
Beautifulsoup4 是一个强大的Python爬虫web解析库,可以用来对get到的网页进行解析。
常用的解析工具有正则表达式、XPath、Beautiful Soup等。这些工具帮助爬虫定位和提取目标数据,如文本、图片、链接等。 数据存储: 爬虫将提取的数据存储到数据库、文件或其他存储介质中,以备后续分析或展示。常用...
5. Jupyter Notebook:Jupyter Notebook是一个交互式的计算环境,允许用户结合代码、文本、图像和数学公式进行数据分析和报告编写。在这个项目中,我们可能使用Jupyter Notebook来编写和测试爬虫代码,同时展示和...