Beautiful Soup库是解析、遍历、维护“标签树”的功能库
一、安装
命令行执行
pip install beautifulsoup4
python环境执行
from bs4 import BeautifulSoup
若不报错，这证明安装成功
二、BeautifulSoup库解析器
| 解析器 | 使用方法 | 条件 |
| bs4的HTML解析器 | BeautifulSoup(mk,'html.parser') | 安装bs4库 |
| lxml的HTML解析器 | BeautifulSoup(mk,'lxml') | pip install lxml |
| lxml的XML解析器 | BeautifulSoup(mk,'xml') | pip install lxml |
| html5lib的解析器 | BeautifulSoup(mk,'html5lib') | pip install html5lib |
三、BeautifulSoup类的基本元素
- Tag 标签，最基本的信息组织单元，分别用<>和</>标明开头和结尾
- Name 标签的名字，<p>…</p>的名字是'p'，格式：<tag>.name
- Attributes 标签的属性，字典形式组织，格式：<tag>.attrs
- NavigableString 标签内非属性字符串，<>…</>中字符串，格式：<tag>.string
- Comment 标签内字符串的注释部分，一种特殊的Comment类型
代码示例如下：
>>> from bs4 import BeautifulSoup >>> import requests >>> r = requests.get('http://python123.io/ws/demo.html') >>> demo = r.text >>> demo '<html><head><title>This is a python demo page</title></head> <body> <p class="title"><b>The demo python introduces several python courses.</b></p> <p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses: <a href="http://www.icourse163.org/course/BIT-268001" class="py1" id="link1">Basic Python</a> and <a href="http://www.icourse163.org/course/BIT-1001870001" class="py2" id="link2">Advanced Python</a>.</p> </body></html>' >>> soup = BeautifulSoup(demo, "html.parser") # 创建BeautifulSoup类 >>> soup.title # 获取title标签 <title>This is a python demo page</title>
# 任何存在于HTML语法中的标签都可以用soup.<tag>访问获得 当HTML文档中存在多个相同<tag>对应内容时，soup.<tag>返回第一个 >>> soup.a # 获取a标签 <a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a> >>> soup.a.name # 获取标签的名字 'a'
>>> soup.a.parent # 获取标签的父亲 <p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses: <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> >>> soup.a.parent.name 'p' >>> soup.a.parent.parent.name 'body'
>>> tag = soup.a >>> tag.attrs # 获取标签的属性 {'href': 'http://www.icourse163.org/course/BIT-268001', 'class': ['py1'], 'id': 'link1'} >>> tag.attrs['href'] 'http://www.icourse163.org/course/BIT-268001'
>>> type(tag) <class 'bs4.element.Tag'>
>>> soup.a.string # 标签包裹的内容 'Basic Python' >>> soup.p.string 'The demo python introduces several python courses.' >>> type(soup.p.string) <class 'bs4.element.NavigableString'>
>>> soup.prettify() # html格式化输出
注意：任何存在于HTML语法中的标签都可以用soup.<tag>访问获得 当HTML文档中存在多个相同<tag>对应内容时，soup.<tag>返回第一个
四、html的内容遍历
在BeautifulSoup对象通过给定的html字符串构建了一个标签树，如图
对于标签树的遍历，有如下方法
1.标签树的下行遍历
- .contents 子节点的列表，将<tag>所有儿子节点存入列表
- .children 子节点的迭代类型，与.contents类似，用于循环遍历儿子节点
- .descendants 子孙节点的迭代类型，包含所有子孙节点，用于循环遍历
2.标签树的上行遍历
- .parent 节点的父亲标签
- .parents 节点先辈标签的迭代类型，用于循环遍历先辈节点
PS：在遍历所有先辈节点是，同时包括了soup本身
3.标签树的平行遍历
- .next_sibling 返回按照HTML文本顺序的下一个平行节点标签
- .previous_sibling 返回按照HTML文本顺序的上一个平行节点标签
- .next_siblings 迭代类型，返回按照HTML文本顺序的后续所有平行节点标签
- .previous_siblings 迭代类型，返回按照HTML文本顺序的前续所有平行节点标签
----
本文整理自嵩天老师的python相关课程，若有错误，还请斧正