Python3.6：bs4解析html基础用法

Posted 2020-10-19 整合侠

Python3.6：bs4解析html基础用法

代码：

import urllib.request
from bs4 import BeautifulSoup
import re

url = r‘http://fund.eastmoney.com/340007.html?spm=search‘
headers = {
    ‘User-Agent‘: ‘Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36‘}
req = urllib.request.Request(url=url, headers=headers)
res = urllib.request.urlopen(req)
html = res.read().decode(‘utf-8‘)

# html字符串创建BeautifulSoup对象
soup = BeautifulSoup(html, "html.parser")
#或者soup = BeautifulSoup(html, "html5lib")

#输出第一个 title 标签
print(soup.title)
#输出第一个 title 标签的标签名称
print(soup.title.name)
#输出第一个 title 标签的包含内容
print(soup.title.string)
#输出第一个 title 标签的父标签的标签名称
print(soup.title.parent.name)

#输出第一个  p 标签
print(soup.p)
#输出第一个  p 标签的 class 属性内容
print(soup.p[‘class‘])
#输出第一个  a 标签的  href 属性内容
print(soup.a[‘href‘])

#输出第一个  p 标签的所有子节点
print(soup.p.contents)

#输出第一个  a 标签
print(soup.a)
#输出所有的  a 标签，以列表形式显示
print(soup.find_all(‘a‘))

#输出第一个 id 属性等于  gz_gszze 的标签
print(soup.find(id=‘gz_gszze‘))
#输出第一个 id 属性等于  gz_gszze 的标签的文本内容
print(soup.find(id=‘gz_gszze‘).get_text())

#获取所有文字内容
print(soup.get_text())
#输出第一个  a 标签的所有属性信息
print(soup.a.attrs)

#循环a标签
for link in soup.find_all(‘a‘):
    #获取 link 的  href 属性内容
    print(link.get(‘href‘))

#对soup.p的子节点进行循环输出    
for child in soup.p.children:
    print(child)

#正则匹配，标签名字中带有sp的标签
for tag in soup.find_all(re.compile("sp")):
    print(tag.name)

#按照CSS类名搜索tag的功能非常实用,但标识CSS类名的关键字 class 在Python中是保留字,使用 class 做参数会导致语法错误.从Beautiful Soup的4.1.1版本开始,可以通过 class_ 参数搜索有指定CSS类名的tag
#查找dl标签class为dataItem02的所有dl标签
for tag in soup.find_all("dl", class_="dataItem02"):
    print(tag.name)
#或者
for tag in soup.find_all(‘dl‘, attrs={‘class‘: "dataItem02"}):
    print(tag.name)