爬虫之beautifulsoup模块
一、介绍
Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间,官网推荐在现在的项目中使用Beautiful Soup 4, 移植到BS4,安装模块如下:
创新互联-专业网站定制、快速模板网站建设、高性价比乐业网站开发、企业建站全套包干低至880元,成熟完善的模板库,直接使用。一站式乐业网站制作公司更省心,省钱,快速模板网站建设找我们,业务覆盖乐业地区。费用合理售后完善,十多年实体公司更值得信赖。
# pip3 install beautifulsoup4 #pip3 install LXML
二、用法
from bs4 import BeautifulSoup html_doc = """The Dormouse's story asdfThe Dormouse's story总共f
Once upon a time there were three little sisters; and their names were Elsfie, Lacie and Tillie; and they lived at the bottom of a well.ad
sf...
""" soup=BeautifulSoup(html_doc, features="lxml") tag1 = soup.find(name='a') # 找到第一个a标签 tag2 = soup.find_all(name='a') # 找到所有的a标签 tag3 = soup.select('#link2') # 找到id=link2的标签
1、标签名称查找
tag = soup.find('a') name = tag.name # 获取标签名称,结果a tag.name = 'span' # 设置标签名称
2、标签属性查找
tag = soup.find('a') attrs = tag.attrs # 获取名称为a的标签的属性 ,结果{'class': ['sister0'], 'id': 'link1'} tag.attrs = {'ik':123} # 设置 tag.attrs['id'] = 'iiiii' # 设置 # 可以使用print(soup)查看设置后的所有标签属性
3、子孙标签查找
soup.p.contents #p下所有子节点 soup.p.children #得到一个迭代器,包含p下所有子节点 for i,child in enumerate(soup.p.children): print(i,child) soup.p.descendants #获取子孙节点,p下所有的标签都会选择出来 for i,child in enumerate(soup.p.descendants): print(i,child)
4、clear,将标签的所有子标签全部清空(保留标签名)
tag = soup.find('body') tag.clear() # 清空名称为body的标签,保留标签名
5、decompose,递归的删除所有的标签
body = soup.find('body') body.decompose() # 递归的删除名称为body的标签
6、extract,递归的删除所有的标签,并获取删除的标签
body = soup.find('body') v = body.extract() # 递归的删除名称为body的标签 print(soup) #查看删除后的结果为The Dormouse's story
7、decode,转换为字符串(含当前标签);decode_contents(不含当前标签)
body = soup.find('body') print(body.decode()) #名称为body的标签转换为字符串,包含body标签 print(body.decode_contents()) #名称为body的标签转换为字符串,不包含body标签
8、 encode,转换为字节(含当前标签);encode_contents(不含当前标签)
body = soup.find('body') print(body.encode()) #名称为body的标签转换为字节,包含body标签 print(body.encode_contents()) #名称为body的标签转换为字节,不包含body标签
9、find,获取匹配的第一个标签
soup.find_all('title', limit=1) soup.find('title') # 上面两个查找结果一样,find查找就相当于find_all查找并设置limit=1 # find_all() 方法的返回结果是值包含一个元素的列表,而 find() 方法直接返回结果. # find_all() 方法没有找到目标是返回空列表, find() 方法找不到目标时,返回 None soup.find("head").find("title") #可以简单写成 soup.head.title tag = soup.find(name='a', attrs={'class': 'sister'}, recursive=True, text='Lacie') tag = soup.find(name='a', class_='sister', recursive=True, text='Lacie')
10、find_all,获取匹配的所有标签
####### 列表 ####### v = soup.find_all(name=['a','div']) print(v) v = soup.find_all(class_=['sister0', 'sister']) print(v) v = soup.find_all(text=['Tillie']) print(v, type(v[0])) #结果:['Tillie']v = soup.find_all(id=['link1','link2']) #查找id为link1,link2的标签,结果放在列表里面 print(v) v = soup.find_all(href=['link1','link2']) #没找到href为link1,link2的标签,所以结果是一个空列表 print(v) ####### 正则 ####### import re rep = re.compile('p') #匹配规则为p标签 rep = re.compile('^p') #匹配规则为p开头标签 v = soup.find_all(name=rep) #找p开头的的所有标签 rep = re.compile('sister.*') v = soup.find_all(class_=rep) v = soup.find_all(attrs={"class":rep}) #和上面的一样 rep = re.compile('http://www.oldboy.com/static/.*') v = soup.find_all(href=rep) #匹配 ####### 方法筛选 ####### def func(tag): return tag.has_attr('class') and tag.has_attr('id') v = soup.find_all(name=func) print(v) get,获取标签属性 tag = soup.find('a') v = tag.get('id') #获取标签名称为a的id属性 print(v)
11、has_attr,检查标签是否具有该属性
tag = soup.find('a') v = tag.has_attr('id') #检查标签a是否具有id属性 print(v)
12、get_text,获取标签内部文本内容
tag = soup.find('a') print(tag) #Elsfie v = tag.get_text('id') print(v) #结果是:Elsidfidie
13、index,检查标签在某标签中的索引位置
tag = soup.find('body') v = tag.index(tag.find('div')) print(v) tag = soup.find('body') for i,v in enumerate(tag): print(i,v)
14、is_empty_element,是否是空标签(是否可以是空)或者自闭合标签
# 判断是否是如下标签:'br', 'hr', 'input', 'img', 'meta', 'spacer', 'link', 'frame', 'base' tag = soup.find('br') v = tag.is_empty_element print(v)
15、关联标签
soup.next soup.next_element #不分层次的查找标签的下一个节点 soup.next_elements soup.next_sibling #下一个兄弟 soup.next_siblings #下面的兄弟们=>生成器对象 tag.previous tag.previous_element #不分层次的查找标签的上一个节点 tag.previous_elements tag.previous_sibling #上一个兄弟 tag.previous_siblings #上面的兄弟们=>生成器对象 tag.parent #获取标签的父节点 tag.parents #找到标签所有的祖先节点
16、查找某标签的关联标签
tag.find_next(...) tag.find_all_next(...) tag.find_next_sibling(...) tag.find_next_siblings(...) tag.find_previous(...) tag.find_all_previous(...) tag.find_previous_sibling(...) tag.find_previous_siblings(...) tag.find_parent(...) tag.find_parents(...) # 参数同find_all
17、select,select_one, CSS选择器
soup.select("title") #[The Dormouse's story ] soup.select("p:nth-of-type(3)") #选择所有p标签中的第三个标签,相当于soup.select(p)[2] soup.select("body a") #body里的a标签,结果放在列表显示 soup.select("html head title") #[The Dormouse's story ] soup.select("span,a") #选择所有的span和a标签 soup.select("head > title") # 选择head标签下的直接title子标签 soup.select("p > a") # 选择p标签下的直接a子标签 soup.select("p > a:nth-of-type(2)") soup.select("p > #link1") # 选择p标签下的直接id为link1子标签 soup.select("body > a") # 选择body标签下的直接a子标签 soup.select("#link1 ~ .sister") # 选择id=link1后的class=sister所有兄弟节点标签 soup.select("#link1 + .sister") # 选择id=link1后的class=sister下一个兄弟节点标签,结果[Lacie] soup.select(".sister") # 选择class为sister的标签 soup.select("[class~=sister]") # class=sister的所有节点 soup.select("#link1") # 选择id为link1的标签 soup.select("a#link2") # a节点,且id=link2的节点 soup.select('a[href]') # 所有的a节点,有href属性 soup.select('a[href="http://example.com/elsie"]') # 指定href属性值的所有a节点 soup.select('a[href^="http://example.com/"]') soup.select('a[href$="tillie"]') # href属性以指定值结尾的所有a节点 soup.select('a[href*=".com/el"]') from bs4.element import Tag def default_candidate_generator(tag): for child in tag.descendants: if not isinstance(child, Tag): continue if not child.has_attr('href'): continue yield child tags = soup.find('body').select("a", _candidate_generator=default_candidate_generator) print(type(tags), tags) #结果:[Lacie, Tillie] from bs4.element import Tag def default_candidate_generator(tag): for child in tag.descendants: if not isinstance(child, Tag): continue if not child.has_attr('href'): continue yield child tags = soup.find('body').select("a", _candidate_generator=default_candidate_generator, limit=1) print(type(tags), tags) #结果: [Lacie]
18、标签的内容
tag = soup.find('span') print(tag.string) # 获取,结果f tag.string = 'new content' # 设置span标签内容为new content tag = soup.find('body') print(tag.string) #结果None tag.string = 'xxx' #xxx tag = soup.find('body') v = tag.stripped_strings # 递归内部获取所有标签的文本 print(v) #
19、append在当前标签内部追加一个标签
tag = soup.find('body') tag.append(soup.find('a')) #在body标签里追加Elsfie from bs4.element import Tag obj = Tag(name='i',attrs={'id': 'it'}) obj.string = '我是一个新来的' tag = soup.find('body') tag.append(obj) #在body标签里追加我是一个新来的
20、insert在当前标签内部指定位置插入一个标签
from bs4.element import Tag obj = Tag(name='i', attrs={'id': 'it'}) obj.string = '我是一个新来的' tag = soup.find('body') tag.insert(3, obj) print(soup)
21、insert_after,insert_before 在当前标签后面或前面插入
from bs4.element import Tag obj = Tag(name='i', attrs={'id': 'it'}) obj.string = '我是一个新来的' tag = soup.find('body') # tag.insert_before(obj) #在当前标签前面插入 tag.insert_after(obj) #在当前标签后面插入 print(soup)
22、replace_with 在当前标签替换为指定标签
from bs4.element import Tag obj = Tag(name='i', attrs={'id': 'it'}) obj.string = '我是一个新来的' tag = soup.find('div') tag.replace_with(obj) print(soup)
23、创建标签之间的关系
tag = soup.find('div') a = soup.find('a') tag.setup(previous_sibling=a) print(tag.previous_sibling) #tag的上一个兄弟标签Elsfie
24、wrap,将指定标签把当前标签包裹起来
from bs4.element import Tag obj1 = Tag(name='div', attrs={'id': 'it'}) obj1.string = '我是一个新来的' #得到新标签我是一个新来的tag = soup.find('a') v = tag.wrap(obj1) #我是一个新来的Elsfieprint(soup) tag = soup.find('a') v = tag.wrap(soup.find('p')) #p标签包住a标签...Elsfie
print(soup)
25、unwrap,去掉当前标签,将保留其包裹的标签
tag = soup.find('a')
v = tag.unwrap() #结果:Elsfie
print(soup)
当前题目:爬虫之beautifulsoup模块
本文地址:http://ybzwz.com/article/gcjgjc.html