爬虫系列之BeautifulSoup

Posted 谦谦君子,陌上其华

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了爬虫系列之BeautifulSoup相关的知识,希望对你有一定的参考价值。

BeautifulSoup是处理爬虫的一个强大工具,在html页面中,是由各种标签构成的,BeautifulSoup的功能就是从标签下手的,它是解析、遍历、维护“标签树”的功能库。

BeautifulSoup的基本元素如下:

 

1. 基本格式如下:

1 from bs4 import BeautifulSoup
2 import requests
3 
4 url = "http://python123.io/ws/demo.html"
5 
6 r = requests.get(url)
7 demo = r.text
8 soup = BeautifulSoup(demo, "html.parser")  #将爬到的内容进行解析,demo就是内容,"html.parser"是解析器,按照html格式来进行解析
9 print(soup.prettify())  #输出解析得到的内容

解析效果如下:

 

2. 具体使用方法如下:

 1 >>> from bs4 import BeautifulSoup
 2 >>> import requests
 3 >>> url = "http://python123.io/ws/demo.html"
 4 >>> r = requests.get(url)
 5 >>> demo = r.text
 6 >>> soup = BeautifulSoup(demo, "html.parser")
 7 >>> soup.title  #显示标题
 8 <title>This is a python demo page</title>
 9 >>> soup.a  #显示a标签内容
10 <a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a>
11 >>> soup.a.name  #显示a标签名字
12 \'a\'
13 >>> soup.a.parent.name  #显示a标签父标签名字
14 \'p\'
15 >>> soup.a.parent.parent.name  #显示a标签父标签的父标签名字
16 \'body\'
17 >>> soup.a.attrs  #获得a标签的属性
18 {\'href\': \'http://www.icourse163.org/course/BIT-268001\', \'class\': [\'py1\'], \'id\': \'link1\'}
19 >>> soup.a.attrs["class"]  #因为是字典,所以这里用字典形式可以获得各个属性的值
20 [\'py1\']
21 >>> type(soup.a.attrs)
22 <class \'dict\'>   #字典类型
23 >>> soup.a.string  #获得a标签中的字符内容
24 \'Basic Python\'
25 >>> soup   #soup内容如下
26 <html><head><title>This is a python demo page</title></head>
27 <body>
28 <p class="title"><b>The demo python introduces several python courses.</b></p>
29 <p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
30 
31 <a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a> and <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">Advanced Python</a>.</p>
32 </body></html>
33 >>> 

 

3. 标签树的下行遍历

 1 >>> soup.head  #获取soup的head
 2 <head><title>This is a python demo page</title></head>
 3 >>> soup.head.contents  #获取head的儿子结点
 4 [<title>This is a python demo page</title>]
 5 >>> soup.body.contents  #获取body的儿子结点
 6 [\'\\n\', <p class="title"><b>The demo python introduces several python courses.</b></p>, \'\\n\', <p 
 7 
 8 class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to 
 9 
10 professional by tracking the following courses:<a class="py1" href="http://www.icourse163.org/course/BIT-268001" 
11 
12 id="link1">Basic Python</a> and <a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" 
13 
14 id="link2">Advanced Python</a>.</p>, \'\\n\']
15 >>> 
16 >>> len(soup.body.contents)  #获取儿子结点的个数
17 5
18 >>> 

 

4. 标签树的上行遍历

 

5. 标签树的平行遍历

 平行遍历发生在同一个父节点下的各节点间。

 

6. find_all()方法

 

soup内容如下:

 

1、查找soup中所有的a标签:

 

2、同时查找soup中所有的a标签和b标签

 

3、recursive参数对子孙全部检索

 

 4、正则表示式查找 b 开头的标签

 

4、用name和attrs两个参数查找含有指定字符串的标签

 

 5、string参数检索指定字符串

以上是关于爬虫系列之BeautifulSoup的主要内容,如果未能解决你的问题,请参考以下文章

python系列之BeautifulSoup的用法

python爬虫之beautifulsoup的使用

Python爬虫之BeautifulSoup模块

爬虫之Beautifulsoup及xpath

Python爬虫之BeautifulSoup和requests的使用

第三节:Web爬虫之BeautifulSoup解析库