BeautifulSoup4中文文档
Posted
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了BeautifulSoup4中文文档相关的知识，希望对你有一定的参考价值。
参考技术A 1、解析html并以友好形式显示：BeautifulSoup(html_doc,'html.parser') print(soup.prettify())html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><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>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc, 'html.parser')
print(soup.prettify())
2、结构语句：
soup.title #获取标题<title>The Dormouse's story</title>
sout.title.name
soup.title.string #获取标题标签内的内容 The Dormouse's story
soup.title.parent.name
soup.p #获取第一个标签p
soup.p['class'] #获取第一个标签p的class内容
soup.a #获取第一个标签a
soup.find_all('a') #获取所有标签a，以列表返回
soup.find(id="link3") #根据属性查找
for link in soup.find_all('a'):
print(link.get('href'))
# http://example.com/elsie
# http://example.com/lacie
# http://example.com/tillie
print(soup.get_text()) #获取文档内容，不带任何标签
3、其他组件安装：
pip install lxml
pip install html5lib
4、几种解析器：
BeautifulSoup(markup, "html.parser")
BeautifulSoup(markup, "lxml")
BeautifulSoup(markup, "html5lib")
5、tag的用法：
soup = BeautifulSoup('<b class="boldest">Extremely bold</b>')
tag = soup.b
tag.name
tag.name = "blockquote"
tag.string
tag.string.replace_with("No longer bold")
tag['class']
tag.attrs
tag['class'] = 'verybold'
tag['id'] = 1
del tag['class']
del tag['id']
6、tag.contents 将子节点以列表输出。
通过tag的 .children 生成器,可以对tag的子节点进行循环:
for child in title_tag.children:
print(child)
.descendants 属性可以对所有tag的子孙节点进行递归循环
for child in head_tag.descendants:
print(child)
7、循环输出不带标签的所有内容：
for string in soup.strings:
print(repr(string))
去掉空白
for string in soup.stripped_strings:
print(repr(string))
8、.parent 获得父节点
.parents获得所有父节点
.next_sibling / .previous_sibling 兄弟节点
.next_element 和 .previous_element 指向解析过程中下一个被解析的对象
9、find/find_all
使用正则：
import re
for tag in soup.find_all(re.compile("^b")):
print(tag.name)
列表
soup.find_all(["a", "b"])
tag.has_attr('id')
soup.find_all(href=re.compile("elsie"), id='link1')
data_soup.find_all(attrs="data-foo": "value")
soup.find_all("a", class_="sister")
soup.find_all(string="Elsie")
soup.find_all("a", limit=2) #只返回2个
soup.html.find_all("title", recursive=False) #只检查1级子节点
find_parents() 和 find_parent()
find_next_siblings() 合 find_next_sibling()
find_previous_siblings() 和 find_previous_sibling()
find_all_next() 和 find_next()
find_all_previous() 和 find_previous()
css选择器方式查找：
soup.select("p nth-of-type(3)")
soup.select("body a")
soup.select("html head title")
soup.select("body > a") #>一级子标签，多级的不匹配
soup.select("#link1 ~ .sister")
soup.select("#link1 + .sister")
soup.select(".sister")
soup.select("[class~=sister]")
soup.select("#link1")
soup.select("a#link2")
soup.select("#link1,#link2")
soup.select('a[href]')
soup.select('a[href=" http://example.com/elsie "]')
soup.select('a[href^=" http://example.com/ "]')
soup.select('a[href$="tillie"]')
soup.select('a[href*=".com/el"]')
soup.select_one(".sister")
10、append()追加内容
soup = BeautifulSoup("<a>Foo</a>")
soup.a.append("Bar")
soup
soup.a.contents
insert
markup = '<a href="http://example.com/">I linked to <i>example.com</i></a>'
soup = BeautifulSoup(markup)
tag = soup.a
tag.insert(1, "but did not endorse ")
tag
tag.contents
soup = BeautifulSoup("<b>stop</b>")
tag = soup.new_tag("i")
tag.string = "Don't"
soup.b.string.insert_before(tag)
soup.b
soup.b.i.insert_after(soup.new_string(" ever "))
soup.b
soup.b.contents
clear()清除string
markup = '<a href="http://example.com/">I linked to <i>example.com</i></a>'
soup = BeautifulSoup(markup)
tag = soup.a
tag.clear()
tag
extract移除元素
markup = '<a href="http://example.com/">I linked to <i>example.com</i></a>'
soup = BeautifulSoup(markup)
a_tag = soup.a
i_tag = soup.i.extract()
a_tag
i_tag
print(i_tag.parent)
None
decompose也是移除元素
markup = '<a href="http://example.com/">I linked to <i>example.com</i></a>'
soup = BeautifulSoup(markup)
a_tag = soup.a
soup.i.decompose()
a_tag
replace_with替换
markup = '<a href="http://example.com/">I linked to <i>example.com</i></a>'
soup = BeautifulSoup(markup)
a_tag = soup.a
new_tag = soup.new_tag("b")
new_tag.string = "example.net"
a_tag.i.replace_with(new_tag)
a_tag
wrap包装
soup = BeautifulSoup("<p>I wish I was bold.</p>")
soup.p.string.wrap(soup.new_tag("b"))
soup.p.wrap(soup.new_tag("div"))
unwrap
markup = '<a href="http://example.com/">I linked to <i>example.com</i></a>'
soup = BeautifulSoup(markup)
a_tag = soup.a
a_tag.i.unwrap()
a_tag
prettify格式化输出，可以指定编码格式
get_text 获得文档内容，指定分隔符
u'\nI linked to |example.com|\n'
如果不知道文档编码，使用UnicodeDamit来自动编码
from bs4 import UnicodeDammit
dammit = UnicodeDammit("Sacr\xc3\xa9 bleu!")
print(dammit.unicode_markup)
dammit.original_encoding
11、lxml解析比其他块
Beautiful Soup对文档的解析速度不会比它所依赖的解析器更快,如果对计算时间要求很高或者计算机的时间比程序员的时间更值钱,那么就应该直接使用 lxml .
换句话说,还有提高Beautiful Soup效率的办法,使用lxml作为解析器.Beautiful Soup用lxml做解析器比用html5lib或Python内置解析器速度快很多.
https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/
使用 BeautifulSoup 创建 XML 文档
【中文标题】使用 BeautifulSoup 创建 XML 文档【英文标题】：Creating an XML document with BeautifulSoup 【发布时间】：2013-04-24 16:57:06 【问题描述】：在我看到的关于 BeautifulSoup 的所有示例和教程中，传递了一个 HTML/XML 文档并返回了一个可以用来修改文档的汤对象。但是，如何使用 BeautifulSoup 从头开始创建 HTML/XML 文档？换句话说，我有想要放入 XML 文件的数据，但 XML 文件还不存在，我想从头开始构建它。我该怎么办？
【问题讨论】：
【参考方案1】：只需创建一个空的BeautifulSoup() 对象：
soup = BeautifulSoup()
并开始添加元素：
soup.append(soup.new_tag("a", href="http://www.example.com"))
对于 XML，您可以使用 xml 树构建器从 XML 标头开始：
soup = BeautifulSoup(features='xml')
这需要先安装lxml。这会在BeautifulSoup 对象上设置.is_xml 标志（也可以手动设置）。
【讨论】：
对于 XML 文档呢？在创建 BeautifulSoup 对象时，相同的代码会起作用还是需要指定不同的解析器？以上是关于BeautifulSoup4中文文档的主要内容，如果未能解决你的问题，请参考以下文章
如何从 BeautifulSoup4 中的 html 标签中找到特定的数据属性？