python 爬虫之 BeautifulSoup 库详解

朴灿烈づ我的快乐病毒、 2022-06-08 12:40 282阅读 0赞

BeautiflSoup4 库是一个可以从HTML或XML文件中提取数据的Python库，是一个非常好用的Html解析库。  
安装bs4：

pip install beautifulsoup4

安装解析器：

pip install lxml

把HTML存入字符串

html_doc = """
 <html><head><title>The Dormouse's story</title></head>
 <body>
 The Dormouse's 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.
 
 ...
 """
 from bs4 import BeautifulSoup
 soup = BeautifulSoup(html_doc)

一、BeautifulSoup库对象  
用BeautifulSoup解析出来的是一个对象，是根DOM树的根对象html对象，Soup中的每个标签都是一个对象，通过上层对象去调用下层对象，返回遇到的第一个标签对象。  
每个html的标签中的属性也是一个对象，可以通过 “标签.属性名”访问。  
例子如下：

soup.title
 # <title>The Dormouse's story</title>
 
 soup.title.name
 # u'title'
 
 soup.title.string
 # u'The Dormouse's story'
 
 soup.title.parent.name
 # u'head'
 
 soup.p
 # The Dormouse's story
 
 soup.p['class']
 # u'title'
 
 soup.a
 # <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
 
 soup.find_all('a')
 # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
 # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>,
 # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]
 
 soup.find(id="link3")
 # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>

常用对象  
.content .children将子节点以列表的方式输出

head_tag = soup.head
 head_tag
 # <head><title>The Dormouse's story</title></head>
 
 head_tag.contents
 [<title>The Dormouse's story</title>]
 title_tag = head_tag.contents[0]
 title_tag
 # <title>The Dormouse's story</title>
 title_tag.contents
 # [u'The Dormouse's story']

.string 输出开闭标签之间的字符串

title_tag.string
    # u'The Dormouse's story'

.parent 输出该子节点的上层节点

.next\_sibling 和 .pevious\_sibling 兄弟节点，输出下一个兄弟节点 和 输出前一个兄弟节点

.next\_element 和 .previous\_element 前向或向后访问文档的解析内容。

二、常用BeautifulSoup方法  
1.prettify() 方法  
soup.prettify()  
BeautifulSoup解析这段代码,能够得到一个 BeautifulSoup 的对象,并能按照标准的缩进格式的结构输出

2.find\_all(‘a’) 方法  
soup.find\_all(‘a’)  
解析所有的a标签返回一个列表

3.get\_text() 方法  
soup.get\_text()

详细操作方法请参考BeautifulSoup4库官方文档  
[**BeautifulSoup4库文档**][BeautifulSoup4]

学习python的同道可以关注下我的公众号，  
不定期发送python 干货。  
![这里写图片描述][SouthEast]

[BeautifulSoup4]: https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html
[SouthEast]: /images/20220608/e62d0ec93388426589f31129762e2734.png