Python爬虫小白入门Python 爬虫 – BeautifulSoup分析页面
Posted 大码王
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Python爬虫小白入门Python 爬虫 – BeautifulSoup分析页面相关的知识，希望对你有一定的参考价值。
我们已经抓取了一个HTML页面，接下来，我们使用BeautifulSoup来分析页面。
import requests from bs4 import BeautifulSoup page = requests.get("https://kevinhwu.github.io/demo/python-scraping/simple.html") soup = BeautifulSoup(page.content, ‘html.parser‘)
导入BeautifulSoup库，创建页面解析对象soup。
前面打印出的html页面格式很乱，如果想打印出美化格式的html页面，可以使用BeautifulSoup对象上的prettify方法:
print(soup.prettify())
输出
<!DOCTYPE html> <html> <head> <title> A simple example page </title> </head> <body> <p> Here is some simple content for this page. </p> </body> </html>
html文档解析后，文档中的html元素构成一个树形结构。可以使用BeautifulSoup对象上的children属性(类型是list_iterator)，访问页面的顶层元素。
list(soup.children)
输出
[‘html‘, ‘ ‘, <html> <head> <title> A simple example page </title> </head> <body> <p> Here is some simple content for this page. </p> </body> </html>, ‘ ‘]
可以看到，页面顶层有2个元素:
<!DOCTYPE html>初始标签<html>标签
列表中还有2个换行符(
)。可以看一下列表中元素的类型是什么:
[type(item) for item in list(soup.children)]
输出
[<class ‘bs4.element.Doctype‘>, <class ‘bs4.element.NavigableString‘>, <class ‘bs4.element.Tag‘>, <class ‘bs4.element.NavigableString‘>]
如上所示，所有对象都是BeautifulSoup中的对象：
bs4.element.Doctype– Doctype对象，包含关于文档类型的信息bs4.element.Tag– Tag对象，表示html 标签，对象中会嵌套其他标签bs4.element.NavigableString– 表示HTML文档中的文本，此处是指2个换行符文本的类型
Tag对象是最重要的对象类型，是我们最常打交道的对象类型。Tag对象让我们可以遍历，提取HTML文档中的标签和文本。
返回HTML文档顶层子节点的第3个节点，即<html>标签。
html = list(soup.children)[2]
返回的节点html也是一个BeautifulSoup对象，因此可以继续访问该节点的子节点：
list(html.children)
输出
[‘ ‘, <head> <title> A simple example page </title> </head>, ‘ ‘, <body> <p> Here is some simple content for this page. </p> </body>, ‘ ‘]
可以看到，忽略换行符，这里有2个标签，head和body。
尝试提取p标签中的文本，先找到body：
body = list(html.children)[3]
获取body标签的子标签:
list(body.children)
输出
[‘ ‘, <p> Here is some simple content for this page. </p>, ‘ ‘]
提取p标签:
p = list(body.children)[1]
得到p标签后，就可以使用get_text方法来提取标签内的文本:
import requests from bs4 import BeautifulSoup page=requests.get("https://kevinhwu.github.io/demo/python-scraping/simple.html") soup=BeautifulSoup(page.content,‘html.parser‘) # print(soup.prettify()) html = list(soup.children)[2] body = list(html.children)[3] p = list(body.children)[1] print(p.get_text())
输出
C:Anaconda3python.exe "C:Program FilesJetBrainsPyCharm 2019.1.1helperspydevpydevconsole.py" --mode=client --port=54852 import sys; print(‘Python %s on %s‘ % (sys.version, sys.platform)) sys.path.extend([‘C:\app\PycharmProjects‘, ‘C:/app/PycharmProjects‘]) Python 3.7.6 (default, Jan 8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64)] Type ‘copyright‘, ‘credits‘ or ‘license‘ for more information IPython 7.12.0 -- An enhanced Interactive Python. Type ‘?‘ for help. PyDev console: using IPython 7.12.0 Python 3.7.6 (default, Jan 8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64)] on win32 runfile(‘C:/app/PycharmProjects/ArtificialIntelligence/test2.py‘, wdir=‘C:/app/PycharmProjects/ArtificialIntelligence‘) Here is some simple content for this page.
以上是关于Python爬虫小白入门Python 爬虫 – BeautifulSoup分析页面的主要内容，如果未能解决你的问题，请参考以下文章
小白学 Python 爬虫（32）：异步请求库 AIOHTTP 基础入门
小白学 Python 爬虫（28）：自动化测试框架 Selenium 从入门到放弃（下）