python 极好用的解析 html 标签的模块 - BeautifulSoup
Posted 名字不好起啊
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 极好用的解析 html 标签的模块 - BeautifulSoup相关的知识,希望对你有一定的参考价值。
记录下各种使用姿态
测试的 html 代码:
<html> <head> <title>Test</title> <body> <p class="title"> <b>Test</b> </p> <div name="ele" class="story"> "i\'m a div" <ul> <li> <a href="http://www.baidu.com" id="link1"> <img src="http://www.baidu.com" data-src=\'//www.baidu.com\'> </a> </li> <li> <a href="http://www.baidu.com" id="link2"> <img src="data:image/jpg;base64,covijfklawefonva..."> </a> </li> </ul> </div>
这里使用了 python 内置的解析器:
soup = BeautifulSoup(html, \'html.parser\')
开始输出
# 输出整个 html print \'\\n\', soup.prettify()
# title 标签 print \'\\n\', soup.title
# title 标签名称 print \'\\n\', soup.title.name
# title 标签内容 print \'\\n\', soup.title.string
# title 标签的父级标签名称 print \'\\n\', soup.title.parent.name
# p 标签(首个 p) print \'\\n\', soup.p
# p 标签名称 print \'\\n\', soup.p.name
# p 标签下的 b 标签 print \'\\n\', soup.p.b
# p 标签的 class 属性值,类型、数组首个值 print \'\\n\', soup.p["class"], type(soup.p["class"]), soup.p["class"][0]
# 首个 a 标签 print \'\\n\', soup.a
# 查找所有 a 标签, 类型数组 a_arr = soup.find_all(\'a\') for value in a_arr: print value
# 查找 id = link2 的标签(特殊的标签属性可以不写 attrs) print \'\\n\', soup.find(id=\'link2\')
# 查找 class 是 title 的标签 print \'\\n\', soup.find(attrs={\'class\': \'title\'})
# 查找 name 是 ele 的标签 print \'\\n\', soup.find(attrs={\'name\': \'ele\'})
# 查找 img,获取相应属性值 img_arr = soup.find_all(\'img\') for value in img_arr: print \'\\n \', value[\'src\'] attrs = value.attrs for attr in attrs: print \'\\n \', attr if attr == \'data-src\': print \'\\n \', value[attr]
# 获取 div 标签下所有子节点 print \'\\n\', soup.div.contents,
# 获取 div 下第二个子节点 print \'\\n\', soup.div.contents[1]
# 获取 div 下第二个子节点 print \'\\n\', soup.div.contents[1].li
# 获取 b 标签的文本内容 print \'\\n\', soup.b.get_text()
# 获取无值属性再判断是否None print \'\\n\', soup.div.title, type(soup.div.title), soup.div.title == None, not soup.div.title
# css 选择器 select() print \'\\n\', soup.select(\'b\')
最后,贴上测试代码
# -*- coding: utf-8 -*- from bs4 import BeautifulSoup def main(): html = \'\'\' <html> <head> <title>Test</title> <body> <p class="title"> <b>Test</b> </p> <div name="ele" class="story"> "i\'m a div" <ul> <li> <a href="http://www.baidu.com" id="link1"> <img src="http://www.baidu.com" data-src=\'//www.baidu.com\'> </a> </li> <li> <a href="http://www.baidu.com" id="link2"> <img src="data:image/jpg;base64,covijfklawefonva..."> </a> </li> </ul> </div> \'\'\' soup = BeautifulSoup(html, \'html.parser\') # 输出整个 html # print \'\\n\', soup.prettify() # title 标签 # print \'\\n\', soup.title # title 标签名称 # print \'\\n\', soup.title.name # title 标签内容 # print \'\\n\', soup.title.string # title 标签的父级标签名称 # print \'\\n\', soup.title.parent.name # p 标签(首个 p) # print \'\\n\', soup.p # p 标签名称 # print \'\\n\', soup.p.name # p 标签下的 b 标签 # print \'\\n\', soup.p.b # p 标签的 class 属性值,类型、数组首个值 # print \'\\n\', soup.p["class"], type(soup.p["class"]), soup.p["class"][0] # 首个 a 标签 # print \'\\n\', soup.a # 查找所有 a 标签, 类型数组 # a_arr = soup.find_all(\'a\') # for value in a_arr: # print \'\\n\', value # 查找 id = link2 的标签(特殊的标签属性可以不写 attrs) # print \'\\n\', soup.find(id=\'link2\') # 查找 class 是 title 的标签 # print \'\\n\', soup.find(attrs={\'class\': \'title\'}) # 查找 name 是 ele 的标签 # print \'\\n\', soup.find(attrs={\'name\': \'ele\'}) # 查找 img,获取相应属性值 # img_arr = soup.find_all(\'img\') # for value in img_arr: # print \'\\n \', value[\'src\'] # attrs = value.attrs # for attr in attrs: # print \'\\n \', attr # if attr == \'data-src\': # print \'\\n \', value[attr] # 获取 div 标签下所有子节点 # print \'\\n\', soup.div.contents, # 获取 div 下首个子节点 # print \'\\n\', soup.div.contents[0] # 获取 div 下第二个子节点 # print \'\\n\', soup.div.contents[1] # 获取 div 下第二个子节点 # print \'\\n\', soup.div.contents[1].li # 获取 b 标签的文本内容 # print \'\\n\', soup.b.get_text() # 获取无值属性 # print \'\\n\', soup.div.title, type(soup.div.title), soup.div.title == None, not soup.div.title # not 取反 # if not None: # print None # css 选择器 select() print \'\\n\', soup.select(\'b\') # file onload if __name__ == \'__main__\': main()
以上是关于python 极好用的解析 html 标签的模块 - BeautifulSoup的主要内容,如果未能解决你的问题,请参考以下文章
使用 Python 模块—— HTMLParser 解析 HTML 文档元素