Python3操作BeautifulSoup基础语法（python安装beautifulsoup4库）

Python3操作BeautifulSoup基础语法（python安装beautifulsoup4库）

BeautifulSoup 常用语法讲解

解析库

BeautifulSoup默认支持Python的标准HTML解析库，但是它也支持一些第三方的解析库

代码示例

demo html

创建beautifulsoup4对象

from bs4 import BeautifulSoup soup = BeautifulSoup(html,"html.parser") # 缩进格式 print(soup.prettify()) # 获取title标签的所有内容 print(soup.title) #Output： # 获取title标签的名称 print(soup.title.name) #Output：title # 获取title标签的文本内容 print(soup.title.string) #Output：百度一下，你就知道 # 获取head标签的所有内容 print(soup.head) # 获取第一个div标签中的所有内容 print(soup.div) # 获取第一个div标签的id的值 print(soup.div["id"]) # 获取第一个a标签中的所有内容 print(soup.a) # 获取所有的a标签中的所有内容 print(soup.find_all("a")) # 获取id="u1" print(soup.find(id="u1")) # 获取所有的a标签，并遍历打印a标签中的href的值 for item in soup.find_all("a"): print(item.get("href")) # 获取所有的a标签，并遍历打印a标签的文本值 for item in soup.find_all("a"): print(item.get_text())

BeautifulSoup4四大对象种类

BeautifulSoup4将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种:

Tag:通俗点讲就是HTML中的一个个标签 from soup4 import BeautifulSoup soup = BeautifulSoup(html,"html.parser") # 获取title标签的所有内容 print(soup.title) # 获取head标签的所有内容 print(soup.head) # 获取第一个a标签的所有内容 print(soup.a) # 类型 print(type(soup.a #soup 对象本身比较特殊，它的 name 即为 [document] print(soup.name) # head #对于其他内部标签，输出的值便为标签本身的名称 print(soup.head.name) # 在这里，我们把 a 标签的所有属性打印输出了出来，得到的类型是一个字典。 print(soup.a.attrs) #还可以利用get方法，传入属性的名称，二者是等价的 print(soup.a['class']) # soup.a.get('class') # 可以对这些属性和内容等等进行修改 soup.a['class'] = "newClass" print(soup.a) # 还可以对这个属性进行删除 del soup.a['class'] print(soup.a) NavigableString: 获取标签内部的文字用 .string 即可 print(soup.title.string) print(type(soup.title.string)) BeautifulSoup: 表示的是一个文档的内容 print(type(soup.name)) print(soup.name) print(soup.attrs) Comment: 是一个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号。 print(soup.a) # 此时不能出现空格和换行符，a标签如下： # print(soup.a.string) # 新闻 print(type(soup.a.string)) #

遍历文档树

.contents：获取Tag的所有子节点，返回一个list

# tag的.content 属性可以将tag的子节点以列表的方式输出 print(soup.head.contents) # 用列表索引来获取它的某一个元素 print(soup.head.contents[1])

.children：获取Tag的所有子节点，返回一个生成器

for child in soup.body.children: print(child)

搜索文档树

find_all(name, attrs, recursive, text, **kwargs) name参数 字符串过滤：会查找与字符串完全匹配的内容 a_list = soup.find_all("a") print(a_list) 正则表达式过：如果传入的是正则表达式，那么BeautifulSoup4会通过search()来匹配内容 item_list = soup.find_all(re.compile("a")) for item in item_list: print(item) 列表： 如果传入一个列表，BeautifulSoup4将会与列表中的任一元素匹配到的节点返回 item_list = soup.find_all(["meta","link"]) for item in item_list: print(item) 方法： 传入一个方法，根据方法来匹配 def name_is_exists(tag): return tag.has_attr("name") item_list = soup.find_all(name_is_exists) for item in item_list: print(item) kwargs参数 # 查询id=head的Tag item_list = soup.find_all(id="head") print(item_list) # 查询href属性包含ss1.bdstatic.com的Tag item_list = soup.find_all(href=re.compile("http://news.baidu.com")) print(item_list) # 查询所有包含class的Tag(注意：class在Python中属于关键字，所以加_以示区别) item_list = soup.find_all(class_=True) for item in item_list: print(item) attrs参数 并不是所有的属性都可以使用上面这种方式进行搜索，比如HTML的data-*属性，我们可以使用attrs参数，定义一个字典来搜索包含特殊属性的tag： item_list = soup.find_all(attrs={"data-foo":"value"}) for item in item_list: print(item) text参数 通过text参数可以搜索文档中的字符串内容，与name参数的可选值一样。text参数接受 字符串，正则表达式，列表 item_list = soup.find_all(attrs={"data-foo": "value"}) for item in item_list: print(item) item_list = soup.find_all(text="hao123") for item in item_list: print(item) item_list = soup.find_all(text=["hao123", "地图", "贴吧"]) for item in item_list: print(item) item_list = soup.find_all(text=re.compile("\d")) for item in item_list: print(item) limit参数 传入一个limit参数来限制返回的数量 item_list = soup.find_all("a",limit=2) for item in item_list: print(item) find

返回符合条件的第一个Tag,即当我们要取一个值的时候就可以用这个方法

t = soup.div.div # 等价于 t = soup.find("div").find("div")

CSS选择器

通过标签名查找

print(soup.select('title')) print(soup.select('a'))

通过类名查找

print(soup.select('.mnav'))

通过id查找

print(soup.select('#u1'))

组合查找

print(soup.select('div .bri'))

属性查找

print(soup.select('a[class="bri"]')) print(soup.select('a[href="= soup.select("title") print(soup.select('title')[0].get_text())

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。