zoukankan      html  css  js  c++  java

  • python库学习笔记——爬虫常用的BeautifulSoup的介绍

    1. 开启Beautiful Soup 之旅

    在这里先分享官方文档链接，不过内容是有些多，也不够条理，在此本文章做一下整理方便大家参考。

    官方文档

    2. 创建 Beautiful Soup 对象

    首先必须要导入 bs4 库

    我们创建一个字符串，后面的例子我们便会用它来演示

    创建 beautifulsoup 对象

    另外，我们还可以用本地 HTML 文件来创建对象，例如

    上面这句代码便是将本地 index.html 文件打开，用它来创建 soup 对象

    下面我们来打印一下 soup 对象的内容，格式化输出

    以上便是输出结果，格式化打印出了它的内容，这个函数经常用到，小伙伴们要记好咯。

    3. 四大对象种类

    Beautiful Soup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
    • NavigableString
    • BeautifulSoup
    • Comment

    下面我们进行一一介绍

    （1）Tag

    Tag 是什么？通俗点讲就是 HTML 中的一个个标签，例如

    上面的 title a 等等 HTML 标签加上里面包括的内容就是 Tag，下面我们来感受一下怎样用 Beautiful Soup 来方便地获取 Tags

    下面每一段代码中注释部分即为运行结果

    #<title>The Dormouse’s story</title>
    1
    2
    print soup.title
    #<title>The Dormouse’s story</title>

    #<head><title>The Dormouse’s story</title></head>
    1
    2
    print soup.head
    #<head><title>The Dormouse’s story</title></head>

    #<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>
    1
    2
    print soup.a
    #<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>

    #<p class=”title” name=”dromouse”><b>The Dormouse’s story</b></p>
    1
    2
    print soup.p
    #<p class=”title” name=”dromouse”><b>The Dormouse’s story</b></p>

    我们可以利用 soup加标签名轻松地获取这些标签的内容，是不是感觉比正则表达式方便多了？不过有一点是，它查找的是在所有内容中的第一个符合要求的标签，如果要查询所有的标签，我们在后面进行介绍。

    我们可以验证一下这些对象的类型

    #<class ‘bs4.element.Tag’>
    1
    2
    print type(soup.a)
    #<class ‘bs4.element.Tag’>

    对于 Tag，它有两个重要的属性，是 name 和 attrs，下面我们分别来感受一下

    name

    #[document] #head
    1
    2
    3
    4
    print soup.name
    print soup.head.name
    #[document]
    #head

    soup 对象本身比较特殊，它的 name 即为 [document]，对于其他内部标签，输出的值便为标签本身的名称。

    attrs

    #{‘class’: [‘title’], ‘name’: ‘dromouse’}
    1
    2
    print soup.p.attrs
    #{‘class’: [‘title’], ‘name’: ‘dromouse’}

    在这里，我们把 p 标签的所有属性打印输出了出来，得到的类型是一个字典。

    如果我们想要单独获取某个属性，可以这样，例如我们获取它的 class 叫什么

    #[‘title’]
    1
    2
    print soup.p[‘class’]
    #[‘title’]

    还可以这样，利用get方法，传入属性的名称，二者是等价的

    #[‘title’]
    1
    2
    print soup.p.get(‘class’)
    #[‘title’]

    我们可以对这些属性和内容等等进行修改，例如

    #<p class=”newClass” name=”dromouse”><b>The Dormouse’s story</b></p>
    1
    2
    3
    soup.p[‘class’]=“newClass”
    print soup.p
    #<p class=”newClass” name=”dromouse”><b>The Dormouse’s story</b></p>

    还可以对这个属性进行删除，例如

    #<p name=”dromouse”><b>The Dormouse’s story</b></p>
    1
    2
    3
    del soup.p[‘class’]
    print soup.p
    #<p name=”dromouse”><b>The Dormouse’s story</b></p>

    不过，对于修改删除的操作，不是我们的主要用途，在此不做详细介绍了，如果有需要，请查看前面提供的官方文档

    （2）NavigableString

    既然我们已经得到了标签的内容，那么问题来了，我们要想获取标签内部的文字怎么办呢？很简单，用 .string 即可，例如

    #The Dormouse’s story
    1
    2
    print soup.p.string
    #The Dormouse’s story

    这样我们就轻松获取到了标签里面的内容，想想如果用正则表达式要多麻烦。它的类型是一个 NavigableString，翻译过来叫 可以遍历的字符串，不过我们最好还是称它英文名字吧。

    来检查一下它的类型

    #<class ‘bs4.element.NavigableString’>
    1
    2
    print type(soup.p.string)
    #<class ‘bs4.element.NavigableString’>

    （3）BeautifulSoup

    BeautifulSoup 对象表示的是一个文档的全部内容.大部分时候,可以把它当作 Tag 对象，是一个特殊的 Tag，我们可以分别获取它的类型，名称，以及属性来感受一下

    #<type ‘unicode’> print soup.name # [document] print soup.attrs #{} 空字典
    1
    2
    3
    4
    5
    6
    print type(soup.name)
    #<type ‘unicode’>
    print soup.name
    # [document]
    print soup.attrs
    #{} 空字典

    （4）Comment

    Comment 对象是一个特殊类型的 NavigableString 对象，其实输出的内容仍然不包括注释符号，但是如果不好好处理它，可能会对我们的文本处理造成意想不到的麻烦。

    我们找一个带注释的标签

    运行结果如下

    a 标签里的内容实际上是注释，但是如果我们利用 .string 来输出它的内容，我们发现它已经把注释符号去掉了，所以这可能会给我们带来不必要的麻烦。

    另外我们打印输出下它的类型，发现它是一个 Comment 类型，所以，我们在使用前最好做一下判断，判断代码如下

    上面的代码中，我们首先判断了它的类型，是否为 Comment 类型，然后再进行其他操作，如打印输出。

    4. 遍历文档树

    （1）直接子节点

    要点：.contents  .children  属性

    .contents

    tag 的 .content 属性可以将tag的子节点以列表的方式输出

    #[<title>The Dormouse’s story</title>]
    1
    2
    print soup.head.contents 
    #[<title>The Dormouse’s story</title>]

    输出方式为列表，我们可以用列表索引来获取它的某一个元素

    #<title>The Dormouse’s story</title>
    1
    2
    print soup.head.contents[0]
    #<title>The Dormouse’s story</title>

    .children

    它返回的不是一个 list，不过我们可以通过遍历获取所有子节点。

    我们打印输出 .children 看一下，可以发现它是一个 list 生成器对象

    #<listiterator object at 0x7f71457f5710>
    1
    2
    print soup.head.children
    #<listiterator object at 0x7f71457f5710>

    我们怎样获得里面的内容呢？很简单，遍历一下就好了，代码及结果如下

     （2）所有子孙节点

    知识点：.descendants 属性

    .descendants

    .contents 和 .children 属性仅包含tag的直接子节点，.descendants 属性可以对所有tag的子孙节点进行递归循环，和 children类似，我们也需要遍历获取其中的内容。

    运行结果如下，可以发现，所有的节点都被打印出来了，先生最外层的 HTML标签，其次从 head 标签一个个剥离，以此类推。

     （3）节点内容

    知识点：.string 属性

    如果tag只有一个 NavigableString 类型子节点,那么这个tag可以使用 .string 得到子节点。如果一个tag仅有一个子节点,那么这个tag也可以使用 .string 方法,输出结果与当前唯一子节点的 .string 结果相同。

    通俗点说就是：如果一个标签里面没有标签了，那么 .string 就会返回标签里面的内容。如果标签里面只有唯一的一个标签了，那么 .string 也会返回最里面的内容。例如

    #The Dormouse’s story print soup.title.string #The Dormouse’s story
    1
    2
    3
    4
    print soup.head.string
    #The Dormouse’s story
    print soup.title.string
    #The Dormouse’s story

    如果tag包含了多个子节点,tag就无法确定，string 方法应该调用哪个子节点的内容, .string 的输出结果是 None

    # None
    1
    2
    print soup.html.string
    # None

    （4）多个内容

    知识点： .strings  .stripped_strings 属性

    .strings

    获取多个内容，不过需要遍历获取，比如下面的例子

    .stripped_strings 

    输出的字符串中可能包含了很多空格或空行,使用 .stripped_strings 可以去除多余空白内容

    （5）父节点

     知识点： .parent 属性

    #body
    1
    2
    3
    p = soup.p
    print p.parent.name
    #body

    #title
    1
    2
    3
    content = soup.head.title.string
    print content.parent.name
    #title

    （6）全部父节点

    知识点：.parents 属性

    通过元素的 .parents 属性可以递归得到元素的所有父辈节点，例如

     （7）兄弟节点

    知识点：.next_sibling  .previous_sibling 属性

    兄弟节点可以理解为和本节点处在统一级的节点，.next_sibling 属性获取了该节点的下一个兄弟节点，.previous_sibling 则与之相反，如果节点不存在，则返回 None

    注意：实际文档中的tag的 .next_sibling 和 .previous_sibling 属性通常是字符串或空白，因为空白或者换行也可以被视作一个节点，所以得到的结果可能是空白或者换行

    # 实际该处为空白 print soup.p.prev_sibling #None 没有前一个兄弟节点，返回 None print soup.p.next_sibling.next_sibling #<p class=”story”>Once upon a time there were three little sisters; and their names were #<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>, #<a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a> and #<a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</a>; #and they lived at the bottom of a well.</p> #下一个节点的下一个兄弟节点是我们可以看到的节点
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    print soup.p.next_sibling
    #       实际该处为空白
    print soup.p.prev_sibling
    #None   没有前一个兄弟节点，返回 None
    print soup.p.next_sibling.next_sibling
    #<p class=”story”>Once upon a time there were three little sisters; and their names were
    #<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>,
    #<a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a> and
    #<a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</a>;
    #and they lived at the bottom of a well.</p>
    #下一个节点的下一个兄弟节点是我们可以看到的节点

    （8）全部兄弟节点

    知识点：.next_siblings  .previous_siblings 属性

    通过 .next_siblings 和 .previous_siblings 属性可以对当前节点的兄弟节点迭代输出

    （9）前后节点

    知识点：.next_element  .previous_element 属性

    与 .next_sibling  .previous_sibling 不同，它并不是针对于兄弟节点，而是在所有节点，不分层次

    比如 head 节点为

    那么它的下一个节点便是 title，它是不分层次关系的

    #<title>The Dormouse’s story</title>
    1
    2
    print soup.head.next_element
    #<title>The Dormouse’s story</title>

    （10）所有前后节点

    知识点：.next_elements  .previous_elements 属性

    通过 .next_elements 和 .previous_elements 的迭代器就可以向前或向后访问文档的解析内容,就好像文档正在被解析一样

    # u’Tillie’ # u’; and they lived at the bottom of a well.’ # u’ ’ # <p class=”story”>…</p> # u’…’ # u’ ’ # None
    1
    2
    3
    4
    5
    6
    7
    8
    9
    for element in last_a_tag.next_elements:
        print(repr(element))
    # u’Tillie’
    # u’; and they lived at the bottom of a well.’
    # u’ ’
    # <p class=”story”>…</p>
    # u’…’
    # u’ ’
    # None

    以上是遍历文档树的基本用法。

    5.搜索文档树

    （1）find_all( name , attrs , recursive , text , **kwargs )

    find_all() 方法搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件

    1）name 参数

    name 参数可以查找所有名字为 name 的tag,字符串对象会被自动忽略掉

    A.传字符串

    最简单的过滤器是字符串.在搜索方法中传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容,下面的例子用于查找文档中所有的<b>标签

    # [<b>The Dormouse’s story</b>]
    1
    2
    soup.find_all(‘b’)
    # [<b>The Dormouse’s story</b>]

    #[<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>, <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>, <a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</a>]
    1
    2
    print soup.find_all(‘a’)
    #[<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>, <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>, <a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</a>]

    B.传正则表达式

    如果传入正则表达式作为参数,Beautiful Soup会通过正则表达式的 match() 来匹配内容.下面例子中找出所有以b开头的标签,这表示<body>和<b>标签都应该被找到

    # body # b
    1
    2
    3
    4
    5
    import re
    for tag in soup.find_all(re.compile(“^b”)):
        print(tag.name)
    # body
    # b

    C.传列表

    如果传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回.下面代码找到文档中所有<a>标签和<b>标签

    # [<b>The Dormouse’s story</b>, # <a class=”sister” href=”http://example.com/elsie” id=”link1”>Elsie</a>, # <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>, # <a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</a>]
    1
    2
    3
    4
    5
    soup.find_all([“a”, “b”])
    # [<b>The Dormouse’s story</b>,
    #  <a class=”sister” href=”http://example.com/elsie” id=”link1”>Elsie</a>,
    #  <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>,
    #  <a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</a>]

    D.传 True

    True 可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点

    # html # head # title # body # p # b # p # a # a
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    for tag in soup.find_all(True):
        print(tag.name)
    # html
    # head
    # title
    # body
    # p
    # b
    # p
    # a
    # a

    E.传方法

    如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数 [4] ,如果这个方法返回 True 表示当前元素匹配并且被找到,如果不是则反回 False

    下面方法校验了当前元素,如果包含 class 属性却不包含 id 属性,那么将返回 True:

    将这个方法作为参数传入 find_all() 方法,将得到所有<p>标签:

    # [<p class=”title”><b>The Dormouse’s story</b></p>, # <p class=”story”>Once upon a time there were…</p>, # <p class=”story”>…</p>]
    1
    2
    3
    4
    soup.find_all(has_class_but_no_id)
    # [<p class=”title”><b>The Dormouse’s story</b></p>,
    #  <p class=”story”>Once upon a time there were…</p>,
    #  <p class=”story”>…</p>]

    2）keyword 参数

    注意：如果一个指定名字的参数不是搜索内置的参数名,搜索时会把该参数当作指定名字tag的属性来搜索,如果包含一个名字为 id 的参数,Beautiful Soup会搜索每个tag的”id”属性

    # [<a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>]
    1
    2
    soup.find_all(id=‘link2’)
    # [<a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>]

    如果传入 href 参数,Beautiful Soup会搜索每个tag的”href”属性

    # [<a class=”sister” href=”http://example.com/elsie” id=”link1”>Elsie</a>]
    1
    2
    soup.find_all(href=re.compile(“elsie”))
    # [<a class=”sister” href=”http://example.com/elsie” id=”link1”>Elsie</a>]

    使用多个指定名字的参数可以同时过滤tag的多个属性

    # [<a class=”sister” href=”http://example.com/elsie” id=”link1”>three</a>]
    1
    2
    soup.find_all(href=re.compile(“elsie”), id=‘link1’)
    # [<a class=”sister” href=”http://example.com/elsie” id=”link1”>three</a>]

    在这里我们想用 class 过滤，不过 class 是 python 的关键词，这怎么办？加个下划线就可以

    # [<a class=”sister” href=”http://example.com/elsie” id=”link1”>Elsie</a>, # <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>, # <a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</a>]
    1
    2
    3
    4
    soup.find_all(“a”, class_=“sister”)
    # [<a class=”sister” href=”http://example.com/elsie” id=”link1”>Elsie</a>,
    #  <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>,
    #  <a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</a>]

    有些tag属性在搜索不能使用,比如HTML5中的 data-* 属性

    # SyntaxError: keyword can’t be an expression
    1
    2
    3
    data_soup = BeautifulSoup(‘<div data-foo=”value”>foo!</div>’)
    data_soup.find_all(data-foo=“value”)
    # SyntaxError: keyword can’t be an expression

    但是可以通过 find_all() 方法的 attrs 参数定义一个字典参数来搜索包含特殊属性的tag

    # [<div data-foo=”value”>foo!</div>]
    1
    2
    data_soup.find_all(attrs={“data-foo”: “value”})
    # [<div data-foo=”value”>foo!</div>]

    3）text 参数

    通过 text 参数可以搜搜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, True

    # [u’Elsie’] soup.find_all(text=[“Tillie”, “Elsie”, “Lacie”]) # [u’Elsie’, u’Lacie’, u’Tillie’] soup.find_all(text=re.compile(“Dormouse”)) [u”The Dormouse’s story”, u”The Dormouse’s story”]
    1
    2
    3
    4
    5
    6
    7
    8
    soup.find_all(text=“Elsie”)
    # [u’Elsie’]
     
    soup.find_all(text=[“Tillie”, “Elsie”, “Lacie”])
    # [u’Elsie’, u’Lacie’, u’Tillie’]
     
    soup.find_all(text=re.compile(“Dormouse”))
    [u“The Dormouse’s story”, u“The Dormouse’s story”]

    4）limit 参数

    find_all() 方法返回全部的搜索结构,如果文档树很大那么搜索会很慢.如果我们不需要全部结果,可以使用 limit 参数限制返回结果的数量.效果与SQL中的limit关键字类似,当搜索到的结果数量达到 limit 的限制时,就停止搜索返回结果.

    文档树中有3个tag符合搜索条件,但结果只返回了2个,因为我们限制了返回数量

    # [<a class=”sister” href=”http://example.com/elsie” id=”link1”>Elsie</a>, # <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>]
    1
    2
    3
    soup.find_all(“a”, limit=2)
    # [<a class=”sister” href=”http://example.com/elsie” id=”link1”>Elsie</a>,
    #  <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>]

    5）recursive 参数

    调用tag的 find_all() 方法时,Beautiful Soup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False .

    一段简单的文档:

    是否使用 recursive 参数的搜索结果:

    # [<title>The Dormouse’s story</title>] soup.html.find_all(“title”, recursive=False) # []
    1
    2
    3
    4
    5
    soup.html.find_all(“title”)
    # [<title>The Dormouse’s story</title>]
     
    soup.html.find_all(“title”, recursive=False)
    # []

    （2）find( name , attrs , recursive , text , **kwargs )

    它与 find_all() 方法唯一的区别是 find_all() 方法的返回结果是值包含一个元素的列表,而 find() 方法直接返回结果

    （3）find_parents()  find_parent()

    find_all() 和 find() 只搜索当前节点的所有子节点,孙子节点等. find_parents() 和 find_parent() 用来搜索当前节点的父辈节点,搜索方法与普通tag的搜索方法相同,搜索文档搜索文档包含的内容

    （4）find_next_siblings()  find_next_sibling()

    这2个方法通过 .next_siblings 属性对当 tag 的所有后面解析的兄弟 tag 节点进行迭代, find_next_siblings() 方法返回所有符合条件的后面的兄弟节点,find_next_sibling() 只返回符合条件的后面的第一个tag节点

    （5）find_previous_siblings()  find_previous_sibling()

    这2个方法通过 .previous_siblings 属性对当前 tag 的前面解析的兄弟 tag 节点进行迭代, find_previous_siblings() 方法返回所有符合条件的前面的兄弟节点, find_previous_sibling() 方法返回第一个符合条件的前面的兄弟节点

    （6）find_all_next()  find_next()

    这2个方法通过 .next_elements 属性对当前 tag 的之后的 tag 和字符串进行迭代, find_all_next() 方法返回所有符合条件的节点, find_next() 方法返回第一个符合条件的节点

    （7）find_all_previous() 和 find_previous()

    这2个方法通过 .previous_elements 属性对当前节点前面的 tag 和字符串进行迭代, find_all_previous() 方法返回所有符合条件的节点, find_previous()方法返回第一个符合条件的节点

    注：以上（2）（3）（4）（5）（6）（7）方法参数用法与 find_all() 完全相同，原理均类似，在此不再赘述。

    6.CSS选择器

    我们在写 CSS 时，标签名不加任何修饰，类名前加点，id名前加 #，在这里我们也可以利用类似的方法来筛选元素，用到的方法是 soup.select()，返回类型是 list

    （1）通过标签名查找

    #[<title>The Dormouse’s story</title>]
    1
    2
    print soup.select(‘title’) 
    #[<title>The Dormouse’s story</title>]

    #[<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>, <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>, <a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</a>]
    1
    2
    print soup.select(‘a’)
    #[<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>, <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>, <a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</a>]

    #[<b>The Dormouse’s story</b>]
    1
    2
    print soup.select(‘b’)
    #[<b>The Dormouse’s story</b>]

    （2）通过类名查找

    #[<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>, <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>, <a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</a>]
    1
    2
    print soup.select(‘.sister’)
    #[<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>, <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>, <a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</a>]

    （3）通过 id 名查找

    #[<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>]
    1
    2
    print soup.select(‘#link1’)
    #[<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>]

    （4）组合查找

    组合查找即和写 class 文件时，标签名与类名、id名进行的组合原理是一样的，例如查找 p 标签中，id 等于 link1的内容，二者需要用空格分开

    #[<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>]
    1
    2
    print soup.select(‘p #link1’)
    #[<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>]

    直接子标签查找

    #[<title>The Dormouse’s story</title>]
    1
    2
    print soup.select(“head > title”)
    #[<title>The Dormouse’s story</title>]

    （5）属性查找

    查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到。

    #[<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>, <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>, <a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</a>]
    1
    2
    print soup.select(‘a[class=”sister”]’)
    #[<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>, <a class=”sister” href=”http://example.com/lacie” id=”link2”>Lacie</a>, <a class=”sister” href=”http://example.com/tillie” id=”link3”>Tillie</a>]

    #[<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>]
    1
    2
    print soup.select(‘a[href=”http://example.com/elsie”]’)
    #[<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>]

    同样，属性仍然可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格

    #[<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>]
    1
    2
    print soup.select(‘p a[href=”http://example.com/elsie”]’)
    #[<a class=”sister” href=”http://example.com/elsie” id=”link1”><!– Elsie –></a>]

    以上的 select 方法返回的结果都是列表形式，可以遍历形式输出，然后用 get_text() 方法来获取它的内容。

    好，这就是另一种与 find_all 方法有异曲同工之妙的查找方法，是不是感觉很方便？

    总结

    本篇内容比较多，把 Beautiful Soup 的方法进行了大部分整理和总结，不过这还不算完全，仍然有 Beautiful Soup 的修改删除功能，不过这些功能用得比较少，只整理了查找提取的方法，希望对大家有帮助！小伙伴们加油！

    熟练掌握了 Beautiful Soup，一定会给你带来太多方便，加油吧！

    参考链接：Python爬虫利器二之Beautiful Soup的用法
  • 相关阅读:
    php中 global 和$GLOBALS有何不同
    perl 使用LDAP模块
    Sqlite和SQLCE在Windows Mobile 6上的性能对比
    Silverlight学习点滴系列（二）
    C#的新特性：自动属性,对象初始化器,和集合初始化器(转载)
    Silverlight学习点滴系列（一）
    Silverlight学习点滴系列（三）
    URL中传递中文参数 以流形式文件上传下载 演变
    C#经典面试题及答案
    C#笔试题目(综合版样题) （转载）
  • 原文地址：https://www.cnblogs.com/mtcnn/p/9411636.html
Copyright © 2011-2022 走看看