BeautifulSoup 模块

BeautifulSoup

BeautifulSoup是一个模块，该模块用于接收一个HTML或XML字符串，然后将其进行格式化，之后遍可以使用他提供的方法进行快速查找指定元素，从而使得在HTML或XML中查找指定元素变得简单。


1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

from bs4 import BeautifulSoup

html_doc = """

<html><head><title>The Dormouse‘s story</title></head>

<body>

asdf

    <div class="title">

        <b>The Dormouse‘s story总共</b>

        <h1>f</h1>

    </div>

<div class="story">Once upon a time there were three little sisters; and their names were

    <a  class="sister0" id="link1">Els<span>f</span>ie</a>,

    <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and

    <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;

and they lived at the bottom of a well.</div>

ad<br/>sf

<p class="story">...</p>

</body>

</html>

"""

soup = BeautifulSoup(html_doc, features="lxml")

# 找到第一个a标签

tag1 = soup.find(name=‘a‘)

# 找到所有的a标签

tag2 = soup.find_all(name=‘a‘)

# 找到id＝link2的标签

tag3 = soup.select(‘#link2‘)

安装：


1

pip3 install beautifulsoup4

使用示例：


1

2

3

4

5

6

7

8

9

10

11

from bs4 import BeautifulSoup

html_doc = """

<html><head><title>The Dormouse‘s story</title></head>

<body>

    ...

</body>

</html>

"""

soup = BeautifulSoup(html_doc, features="lxml")

1. name，标签名称


1

2

3

4

5

# tag = soup.find(‘a‘)

# name = tag.name # 获取

# print(name)

# tag.name = ‘span‘ # 设置

# print(soup)

2. attr，标签属性


1

2

3

4

5

6

# tag = soup.find(‘a‘)

# attrs = tag.attrs    # 获取

# print(attrs)

# tag.attrs = {‘ik‘:123} # 设置

# tag.attrs[‘id‘] = ‘iiiii‘ # 设置

# print(soup)

3. children,所有子标签


1

2

# body = soup.find(‘body‘)

# v = body.children

4. children,所有子子孙孙标签


1

2

# body = soup.find(‘body‘)

# v = body.descendants

5. clear,将标签的所有子标签全部清空（保留标签名）


1

2

3

# tag = soup.find(‘body‘)

# tag.clear()

# print(soup)

6. decompose,递归的删除所有的标签


1

2

3

# body = soup.find(‘body‘)

# body.decompose()

# print(soup)

7. extract,递归的删除所有的标签，并获取删除的标签


1

2

3

# body = soup.find(‘body‘)

# v = body.extract()

# print(soup)

8. decode,转换为字符串（含当前标签）；decode_contents（不含当前标签）


1

2

3

4

# body = soup.find(‘body‘)

# v = body.decode()

# v = body.decode_contents()

# print(v)

9. encode,转换为字节（含当前标签）；encode_contents（不含当前标签）


1

2

3

4

# body = soup.find(‘body‘)

# v = body.encode()

# v = body.encode_contents()

# print(v)

10. find,获取匹配的第一个标签


1

2

3

4

5

# tag = soup.find(‘a‘)

# print(tag)

# tag = soup.find(name=‘a‘, attrs={‘class‘: ‘sister‘}, recursive=True, text=‘Lacie‘)

# tag = soup.find(name=‘a‘, class_=‘sister‘, recursive=True, text=‘Lacie‘)

# print(tag)

11. find_all,获取匹配的所有标签


1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

# tags = soup.find_all(‘a‘)

# print(tags)

# tags = soup.find_all(‘a‘,limit=1)

# print(tags)

# tags = soup.find_all(name=‘a‘, attrs={‘class‘: ‘sister‘}, recursive=True, text=‘Lacie‘)

# # tags = soup.find(name=‘a‘, class_=‘sister‘, recursive=True, text=‘Lacie‘)

# print(tags)

# ####### 列表 #######

# v = soup.find_all(name=[‘a‘,‘div‘])

# print(v)

# v = soup.find_all(class_=[‘sister0‘, ‘sister‘])

# print(v)

# v = soup.find_all(text=[‘Tillie‘])

# print(v, type(v[0]))

# v = soup.find_all(id=[‘link1‘,‘link2‘])

# print(v)

# v = soup.find_all(href=[‘link1‘,‘link2‘])

# print(v)

# ####### 正则 #######

import re

# rep = re.compile(‘p‘)

# rep = re.compile(‘^p‘)

# v = soup.find_all(name=rep)

# print(v)

# rep = re.compile(‘sister.*‘)

# v = soup.find_all(class_=rep)

# print(v)

# rep = re.compile(‘http://www.oldboy.com/static/.*‘)

# v = soup.find_all(href=rep)

# print(v)

# ####### 方法筛选 #######

# def func(tag):

# return tag.has_attr(‘class‘) and tag.has_attr(‘id‘)

# v = soup.find_all(name=func)

# print(v)

# ## get,获取标签属性

# tag = soup.find(‘a‘)

# v = tag.get(‘id‘)

# print(v)

12. has_attr,检查标签是否具有该属性


1

2

3

# tag = soup.find(‘a‘)

# v = tag.has_attr(‘id‘)

# print(v)

13. get_text,获取标签内部文本内容


1

2

3

# tag = soup.find(‘a‘)

# v = tag.get_text(‘id‘)

# print(v)

14. index,检查标签在某标签中的索引位置


1

2

3

4

5

6

7

# tag = soup.find(‘body‘)

# v = tag.index(tag.find(‘div‘))

# print(v)

# tag = soup.find(‘body‘)

# for i,v in enumerate(tag):

# print(i,v)

15. is_empty_element,是否是空标签(是否可以是空)或者自闭合标签，

判断是否是如下标签：‘br‘ , ‘hr‘, ‘input‘, ‘img‘, ‘meta‘,‘spacer‘, ‘link‘, ‘frame‘, ‘base‘


1

2

3

# tag = soup.find(‘br‘)

# v = tag.is_empty_element

# print(v)

16. 当前的关联标签


1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

# soup.next

# soup.next_element

# soup.next_elements

# soup.next_sibling

# soup.next_siblings

#

# tag.previous

# tag.previous_element

# tag.previous_elements

# tag.previous_sibling

# tag.previous_siblings

#

# tag.parent

# tag.parents

17. 查找某标签的关联标签


1

2

3

4

5

6

7

8

9

10

11

12

13

14

# tag.find_next(...)

# tag.find_all_next(...)

# tag.find_next_sibling(...)

# tag.find_next_siblings(...)

# tag.find_previous(...)

# tag.find_all_previous(...)

# tag.find_previous_sibling(...)

# tag.find_previous_siblings(...)

# tag.find_parent(...)

# tag.find_parents(...)

# 参数同find_all

18. select,select_one, CSS选择器


1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

soup.select("title")

soup.select("p nth-of-type(3)")

soup.select("body a")

soup.select("html head title")

tag = soup.select("span,a")

soup.select("head > title")

soup.select("p > a")

soup.select("p > a:nth-of-type(2)")

soup.select("p > #link1")

soup.select("body > a")

soup.select("#link1 ~ .sister")

soup.select("#link1 + .sister")

soup.select(".sister")

soup.select("[class~=sister]")

soup.select("#link1")

soup.select("a#link2")

soup.select(‘a[href]‘)

soup.select(‘a[href="http://example.com/elsie"]‘)

soup.select(‘a[href^="http://example.com/"]‘)

soup.select(‘a[href$="tillie"]‘)

soup.select(‘a[href*=".com/el"]‘)

from bs4.element import Tag

def default_candidate_generator(tag):

    for child in tag.descendants:

        if not isinstance(child, Tag):

            continue

        if not child.has_attr(‘href‘):

            continue

        yield child

tags = soup.find(‘body‘).select("a", _candidate_generator=default_candidate_generator)

print(type(tags), tags)

from bs4.element import Tag

def default_candidate_generator(tag):

    for child in tag.descendants:

        if not isinstance(child, Tag):

            continue

        if not child.has_attr(‘href‘):

            continue

        yield child

tags = soup.find(‘body‘).select("a", _candidate_generator=default_candidate_generator, limit=1)

print(type(tags), tags)

19. 标签的内容


1

2

3

4

5

6

7

8

9

10

11

12

13

# tag = soup.find(‘span‘)

# print(tag.string)          # 获取

# tag.string = ‘new content‘ # 设置

# print(soup)

# tag = soup.find(‘body‘)

# print(tag.string)

# tag.string = ‘xxx‘

# print(soup)

# tag = soup.find(‘body‘)

# v = tag.stripped_strings  # 递归内部获取所有标签的文本

# print(v)

20.append在当前标签内部追加一个标签


1

2

3

4

5

6

7

8

9

10

# tag = soup.find(‘body‘)

# tag.append(soup.find(‘a‘))

# print(soup)

#

# from bs4.element import Tag

# obj = Tag(name=‘i‘,attrs={‘id‘: ‘it‘})

# obj.string = ‘我是一个新来的‘

# tag = soup.find(‘body‘)

# tag.append(obj)

# print(soup)

21.insert在当前标签内部指定位置插入一个标签


1

2

3

4

5

6

# from bs4.element import Tag

# obj = Tag(name=‘i‘, attrs={‘id‘: ‘it‘})

# obj.string = ‘我是一个新来的‘

# tag = soup.find(‘body‘)

# tag.insert(2, obj)

# print(soup)

22. insert_after,insert_before 在当前标签后面或前面插入


1

2

3

4

5

6

7

# from bs4.element import Tag

# obj = Tag(name=‘i‘, attrs={‘id‘: ‘it‘})

# obj.string = ‘我是一个新来的‘

# tag = soup.find(‘body‘)

# # tag.insert_before(obj)

# tag.insert_after(obj)

# print(soup)

23. replace_with 在当前标签替换为指定标签


1

2

3

4

5

6

# from bs4.element import Tag

# obj = Tag(name=‘i‘, attrs={‘id‘: ‘it‘})

# obj.string = ‘我是一个新来的‘

# tag = soup.find(‘div‘)

# tag.replace_with(obj)

# print(soup)

24. 创建标签之间的关系


1

2

3

4

# tag = soup.find(‘div‘)

# a = soup.find(‘a‘)

# tag.setup(previous_sibling=a)

# print(tag.previous_sibling)

25. wrap，将指定标签把当前标签包裹起来


1

2

3

4

5

6

7

8

9

10

11

# from bs4.element import Tag

# obj1 = Tag(name=‘div‘, attrs={‘id‘: ‘it‘})

# obj1.string = ‘我是一个新来的‘

#

# tag = soup.find(‘a‘)

# v = tag.wrap(obj1)

# print(soup)

# tag = soup.find(‘a‘)

# v = tag.wrap(soup.find(‘p‘))

# print(soup)

26. unwrap，去掉当前标签，将保留其包裹的标签


1

2

3

# tag = soup.find(‘a‘)

# v = tag.unwrap()

# print(soup)

作者：武沛齐

出处：http://www.cnblogs.com/wupeiqi/

原文地址：https://www.cnblogs.com/l-jie-n/p/10010045.html

时间： 2024-11-04 12:37:27

BeautifulSoup 模块的相关文章

python BeautifulSoup模块的安装

python BeautifulSoup模块的安装 ···一个BeautifulSoup的模块,安装就浪费了俺这么长时间,下载的是BeautifulSoup4-4.1.3, 安装的时候就是 python setup.py build python setup.py install 就这么简单的两个命令,因为安装之前也看了下别人的就是这样,可是自己import的时候,总出错,弄了半天才搞好,原来是版本升级到4, 引入包要用 import bs4 from bs4 import BeautifulS

下载图片-使用beautifulSoup模块

图片处理 - 使用beautifulSoup模块 标签(空格分隔): python 使用beautifulSoup模块 使用BeautifulSoup对HTML内容解析之后,HTML内容就变成了结构化数据,可以轻易对其中的DOM元素进行操作,比如获取数据,修改,删除等. from bs4 import BeautifulSoup import urllib,urllib2 def getContext(url): ''' 获取html ''' html = urllib2.urlopen(url

Requests 与 BeautifulSoup 模块

一.Requests库 参考 :http://www.python-requests.org/en/master/user/quickstart/#make-a-request Requests是一个很实用的Python HTTP客户端库,编写爬虫和测试服务器响应数据时经常会用到.Requests 完全满足如今网络的需求 安装方式一般采用 pip install requests In [1]: import requests In [2]: response=requests.get('htt

requests和BeautifulSoup模块的使用

用python写爬虫时,有两个很好用第三方模块requests库和beautifulsoup库,简单学习了下模块用法: 1,requests模块 Python标准库中提供了:urllib.urllib2.httplib等模块以供Http请求,使用起来较为麻烦.requests是基于Python开发的HTTP 第三方库,在Python内置模块的基础上进行了高度的封装,使用了更简单,代码量更少. 官方文档:http://docs.python-requests.org/zh_CN/latest/us

孤荷凌寒自学python第六十八天学习并实践beautifulsoup模块1

(完整学习过程屏幕记录视频地址在文末) 感觉用requests获取到网页的html源代码后,更重要的工作其实是分析得到的内容,因此这时候大名鼎鼎的BeautifulSoup模块就可以大展身手了. 一.今天已了解到的BeautifulSoup模块中的一些用法小结: 1. BeautifulSoup对象.prettify()  #对html源代码 进行了美化. 2. BeautifulSoup.p #这种方法将返回html文档中的第一个p标签本身这个对象,不是文本,但Print之后会显示为如: <p

Python爬虫之Beautifulsoup模块的使用

一 Beautifulsoup模块介绍 Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间.你可能在寻找 Beautiful Soup3 的文档,Beautiful Soup 3 目前已经停止开发,官网推荐在现在的项目中使用Beautiful Soup 4, 移植到BS4 #安装 Beautiful Soup pip instal

爬虫-request和BeautifulSoup模块

requests简介 Python标准库中提供了:urllib.urllib2.httplib等模块以供Http请求,但是,它的 API 太渣了.它是为另一个时代.另一个互联网所创建的.它需要巨量的工作,甚至包括各种方法覆盖,来完成最简单的任务. Requests 是使用 Apache2 Licensed 许可证的 基于Python开发的HTTP 库,其在Python内置模块的基础上进行了高度的封装,从而使得Pythoner进行网络请求时,变得美好了许多,使用Requests可以轻而易举的完成浏

安装Python的easy_install工具和BeautifulSoup模块

1.esay_install easy_install是Python的发行包管理工具,类似于linux的apt-get或者yum包管理工具,使用easy_install可以很方便的获取第三方的Python发行模块. 安装方法: 1.1 Mac OS X 系统可以在终端执行以下命令: curl https://bootstrap.pypa.io/ez_setup.py -o - | sudo python 1.2 Linux系统可以执行以下命令: wget https://bootstrap.py

解析库之beautifulsoup模块

一 介绍 Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现文档导航,查找,修改文档的方式,Beautiful Soup会帮你节省数小时甚至数天的工作时间,你可能在寻找 Beautiful Soup3 的文档,Beautiful Soup 3 目前已经停止开发,官网推荐在现在的项目中使用Beautiful Soup 4, 移植到BS4 #安装 Beautiful Soup pip install beautifulsoup4 #