快盘下载:好资源、好软件、快快下载吧!

快盘排行|快盘最新

当前位置:首页软件教程电脑软件教程 → HTML解析大法-Beautiful soup

HTML解析大法-Beautiful soup

时间:2022-05-09 12:00:02人气:作者:快盘下载我要评论

beautiful soup是一个可以从HTML或XML文件中提取数据的python库。在python爬虫开发中,我们主要用到的是Beautiful soup的查找提取功能,修改文档的方式很少用到。

python用户可以通过anaconda安装beautifulsoup4(推荐),安装简单,这里不在介绍

安装完成后,接下来讲解BeautifulSoup的使用。

1.快速开始

首先导入bs4库:from bs4 import BeautifulSoup。

本节基于上节获得网页请求后,通过r.text获得网页源代码,即html_str=r.text。接下来都是基于html_str进行数据解析和提取。

然后创建BeautifulSoup对象,方法有两种,一是直接通过字符串创建:

soup=BeautifulSoup(html_str,'lxml',from_encoding='utf-8')

另一种通过文件来创建,假如将html_str字符串保存为index.html文件,创建方式如下:

soup=BeautifulSoup(open(index.html'))

格式化输出网页内容

soup.prettify()

2.对象种类

BeautifulSoup将复杂的HTML文档转换成一个复杂的树形结构,每个节点都是python对象,所有对象可分为4种:Tag, NavigableString, BeautifulSoup, Comment,接下来依次进行介绍。

2.1)Tag

Tag对象就是HTML中的标记,如:<title> The story</title>或<a herf="http://baidu.com",class="sister" id="link1">else</a>,title和a标记及其里面的内容称为Tag对象。提取方法为:

抽取title:soup.title

抽取a:soup.a

以上两个简单的方法是查找所有内容中第一个符合要求的标记,如果要查询所有标记,且看后续分解。

Tag中有两个重要的属性:name和attributes。每个Tag都有自己的名字,通过.name来获取

soup的name为[document],其他标记的名字是标记的本身的名称。

Tag中具有属性,如a标记中的herf属性,class属性和id属性。其使用方式和字典相同:

soup.a['herf']

soup.a.get('herf')

也可以直接用"点"取属性,比如.attrs,用于获取Tag中的所有属性,以字典形式返回:

soup.a.attrs

2.2)NavigableString

标记中的内容已经可以通过Tag获取,那么其中的文本信息如何获取呢?需要用到.string:

soup.a.string

2.3)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。

2.4)Comment

Tag,NavigableString,BeautifulSoup几乎覆盖了HTML和XML中的所有内容,但还有一些文档的注释部分。

在提取字符串时,可以判断一下类型:

if type(soup.a.string)==bs4.element.Comment:

print soup.a.string

3遍历文档树

BeautifulSoup会将HTML转换成文档树进行搜索,既然是树形结构,必然有节点。

3.1)子节点

直接子节点,Tag中的.contents和.children是非常重要的。Tag的.contents属性可以将Tag子节点以列表的形式输出.soup.head.contents

字符串没有.contents属性,因为字符串没有子节点。

.children属性返回一个生成器,可以对Tag的子节点进行循环:

for children in soup.children:

    print(child)

.contents和.children属性只包含Tag的直接节点(儿子节点),不含其他子孙节点;.descendants属性可以对所有tag的子孙节点进行递归循环。

for children in soup.descendants:

    print(child)

以上都是如何获取子节点,也介绍过获取文本内容,.string,.strings,.stripped_strings三个属性。

.string属性:如果一个标记Tag里面有0个或1个标记了,那么返回标记里面的内容;如果多于一个标记则返回None。

.strings属性:应用于tag中包含多个字符串的情况,可以进行循环遍历,

for string in soup.strings:

    print(rear(string))

.stripped_strings属性可以去掉输入字符串中包含的空格或空行,

for string in soup.stripped_strings:

    print(rear(string))

3.2)父节点

每个Tag都有父节点:被包含在某个Tag中。

通过.parent属性来获取某个元素的父节点。通过.parents属性可以递归得到元素的所有父辈节点。

for parent in soup.a.parents:

    if parent is None:

        print(parent)

    else:

        print(parent.name)

3.3)兄弟节点

兄弟节点是和该节点同一级的节点,.next_sibling属性可以获取该节点的下一个兄弟节点,.previous_sibling用于获取上一个兄弟节点,如果不存在则返回None。

soup.a.next_sibling

soup.a.previous_sibling

通过.next_sibling或.previous_sibling可以对当前节点的兄弟节点迭代输出:

for sibling in soup.a.next_siblings:

    print(sibling)

3.4)前后节点

前后节点需要使用.next_element,.previous_element两个属性,它们是针对所有节点,不分层次。

如果想遍历所有的前后节点,通过.next_elements,.previous_elements的迭代器可以向前或向后访问文档解析内容

for element in soup.a.next_elements:

    print(rear(element))

以上是遍历文档树,接下来讲解核心的搜索文档树。

4搜索文档树

Beautiful Soup定义了多种搜索方法,这里着重介绍find_all()方法。

find_all()方法用于搜索当前Tag的所有Tag子节点,并判断是否符合过滤器的条件,函数原型为:

find_all(name, attrs, recursive, text, **kwargs)

1)name参数

name参数可以查找所有名字为name的标记,字符串对象会被自动忽略掉。name参数的取值可以是字符串,正则表达式,列表,True和方法。

最简单的是字符串。在搜索方法中传入一个字符串参数,查找完整匹配的内容。

soup.find_all('b')#查找所有的<b>标记,返回值为列表

传入正则表达式作为参数,会通过正则表达式的match()来匹配内容,查找以b开头的标记

import re 

for tag in soup.find_all(re.compile('^b')):

    print(tag.name)

传入列表参数,返回与列表中任意匹配的内容,查找所有的<a>,<b>标记:

soup.find_all(['a','b'])

传入参数为True,可以匹配任何值,下面代码会查找所有的Tag,但不会返回字符串节点。

for tag in soup.find_all(True):

    print(tag.name)

如果没有合适的过滤器,还可以定义一个方法,方法只接受一个元素参数Tag节点,如果方法返回True表示当前元素匹配并且被找到,如果返回false。

2)kwargs参数

kwargs参数在python中表示为keyword参数。如果一个指定名字的参数不是搜索内置的参数名,搜索时会把该参数当作指定名字Tag属性来搜索。搜索指定名字的属性时可以使用的参数值包括字符串,正则表达式,列表,True.(常用来通过属性搜索)

soup.find_all(id='link2')#搜索每个标记,id属性为'link2',返回列表

传入正则表达式

import re

soup.find_all(herf=re.compile('elsie'))#查找herf属性中包含'elsie'的标记

查找含有id属性的标记

soup.find_all(id=True)

若想用python的关键字重复的属性过滤,可以在后面加上下划线,如class

soup.find_all('a',class_='sister')

使用多个指定名字的参数可以同时过滤tag的多个属性:

soup.find_all(herf=re.compile("elsie"),id='link1')

3)text参数

通过text参数可以搜索文档中的字符串内容。与name参数的可选值一样,text    参数接受字符串,正则表达式,列表,True。

soup.find_all(text='Elsie')

soup.find_all(text=['Tille','Elsie'])

相关文章

网友评论

快盘下载暂未开通留言功能。

关于我们| 广告联络| 联系我们| 网站帮助| 免责声明| 软件发布

Copyright 2019-2029 【快快下载吧】 版权所有 快快下载吧 | 豫ICP备10006759号公安备案:41010502004165

声明: 快快下载吧上的所有软件和资料来源于互联网,仅供学习和研究使用,请测试后自行销毁,如有侵犯你版权的,请来信指出,本站将立即改正。