Python3.x的BeautifulSoup解析html常用函数
1,初始化:
soup = BeautifulSoup(html) # html为html源代码字符串,type(html) == str
2,用tag获取相应代码块的剖析树:
#当用tag作为搜索条件时,我们获取的包含这个tag块的剖析树: #<tag><xxx>ooo</xxx></tag> #这里获取head这个块 head = soup.find(‘head‘) # or # head = soup.head # or # head = soup.contents[0].contents[0]
contents属性是一个列表,里面保存了该剖析树的直接儿子,如:
html = soup.contents[0] # <html> ... </html> head = html.contents[0] # <head> ... </head> body = html.contents[1] # <body> ... </body>
3,用contents[], parent, nextSibling, previousSibling寻找父子兄弟tag:
beautifulSoup提供了几个简单的方法直接获取当前tag块的父子兄弟。
假设我们已经获得了body这个tag块,我们想要寻找<html>, <head>, 第一个<p>, 第二个<p>这四个tag块:
# body = soup.bodyhtml = body.parent # html是body的父亲 head = body.previousSibling # head和body在同一层,是body的前一个兄弟 p1 = body.contents[0] # p1, p2都是body的儿子,我们用contents[0]取得p1 p2 = p1.nextSibling # p2与p1在同一层,是p1的后一个兄弟, 当然body.content[1]也可得到 print(p1.text) # u‘This is paragraphone.‘ print(p2.text) # u‘This is paragraphtwo.‘ # 注意:1,每个tag的text包括了它以及它子孙的text。2,所有text已经被自动转 #为unicode,如果需要,可以自行转码encode(xxx)
4,用find, findParent, findNextSibling, findPreviousSibling寻找祖先或者子孙 tag:
find方法(我理解和findChild是一样的),就是以当前节点为起始,遍历整个子树,找到后返回。
而这些方法的复数形式,会找到所有符合要求的tag,以list的方式放回。他们的对应关系是:find->findall, findParent->findParents, findNextSibling->findNextSiblings...,如:
print soup.findAll(‘p‘) # [<p id="firstpara" align="center">This is paragraph <b>one</b>.</p>, <p id="secondpara" align="blah">This is paragraph <b>two</b>.</p>]
5,find的几种用法,其他的类比: find(name=None, attrs={}, recursive=True, text=None, **kwargs),文档参考: https://www.crummy.com/software/BeautifulSoup/bs3/documentation.zh.html#The%20basic%20find%20method:%20findAll%28name,%20attrs,%20recursive,%20text,%20limit,%20**kwargs%29)
(1).搜索tag:
find(tagname) # 直接搜索名为tagname的tag 如:find(‘head‘) find(list) # 搜索在list中的tag,如: find([‘head‘, ‘body‘]) find(dict) # 搜索在dict中的tag,如:find({‘head‘:True, ‘body‘:True}) find(re.compile(‘‘)) # 搜索符合正则的tag, 如:find(re.compile(‘^p‘)) 搜索以p开头的tag find(lambda) # 搜索函数返回结果为true的tag, 如:find(lambda name: if len(name) == 1) 搜索长度为1的tag find(True) # 搜索所有tag
(2),搜索属性(attrs):
find(id=‘xxx‘) # 寻找id属性为xxx的 find(attrs={id=re.compile(‘xxx‘), algin=‘xxx‘}) # 寻找id属性符合正则且algin属性为xxx的 find(attrs={id=True, algin=None}) # 寻找有id属性但是没有algin属性的
(3),搜索文字(text):
注意:文字的搜索会导致其他搜索给的值如:tag, attrs都失效。
方法与搜索tag一致;
(4),recursive, limit:
recursive=False表示只搜索直接儿子,否则搜索整个子树,默认为True。
当使用findAll或者类似返回list的方法时,limit属性用于限制返回的数量,如findAll(‘p‘, limit=2): 返回首先找到的两个tag
原文地址:https://www.cnblogs.com/lizm166/p/8137046.html