博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
Python---BeautifulSoup模块
阅读量:5141 次
发布时间:2019-06-13

本文共 7094 字,大约阅读时间需要 23 分钟。

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。

可参考链接:https://cuiqingcai.com/1319.html

from bs4 import BeautifulSoup html_doc = """The Dormouse's storyasdf    
The Dormouse's story总共

f

Once upon a time there were three little sisters; and their names were
Elsfie,
Lacie and
Tillie;and they lived at the bottom of a well.
ad
sf

...

""" 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:pip3 install beautifulsoup4

使用示例:

from bs4 import BeautifulSoup html_doc = """The Dormouse's story    ...""" soup = BeautifulSoup(html_doc, features="lxml")

1. name,标签名称

# tag = soup.find('a')# name = tag.name # 获取# print(name)# tag.name = 'span' # 设置# print(soup)

2. attr,标签属性

# 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

# body = soup.find('body')# v = body.children

4. children,所有子子孙孙标签

# 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)

# tag = soup.find('body')# tag.clear()# print(soup)

6. decompose,递归的删除所有的标签

# 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

# 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)

# 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)

# 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

# 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

# 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)
View Code

12. has_attr,检查标签是否具有该属性

# tag = soup.find('a')# v = tag.has_attr('id')# print(v)

13. get_text,获取标签内部文本内容

# 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

# 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'

# tag = soup.find('br')# v = tag.is_empty_element# print(v)

16. 当前的关联标签

# 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
View Code

17. 查找某标签的关联标签

# 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
View Code

18. select,select_one, CSS选择器

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 Tagdef 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)
View Code

19. 标签的内容

# 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)
View Code

20.append在当前标签内部追加一个标签

# 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

# 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

# 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

# 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

# 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

# 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

# tag = soup.find('a')# v = tag.unwrap()# print(soup)

更多参数官方:http://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/

转载于:https://www.cnblogs.com/lanyinhao/p/9635849.html

你可能感兴趣的文章
字符串ES6
查看>>
QT格式化代码
查看>>
Hive sql创建表以及插入分区表
查看>>
C语言程序设计第五次作业——循环结构
查看>>
HappyLeetcode42:Intersection of Two Linked Lists
查看>>
gdb调试整理
查看>>
jquery
查看>>
分割面板(JSplitPane)
查看>>
Loop List
查看>>
USACO section3.1 Shaping Regions(漂浮法)
查看>>
Docker(十)-Docker创建DockerFile文件
查看>>
转:使用python的Flask实现一个RESTful API服务器端
查看>>
MissingNumber缺失的数字,FirstMissingPositive第一个缺失的正数
查看>>
EF 多线程TransactionScope事务异常"事务EFTransaction类定义:与另一个进程被死锁在 锁 资源上,并且已被选作死锁牺牲品。请重新运行该事务。"...
查看>>
U盘安装 CentOS7图解
查看>>
ASP.Net MVC3/4中Model验证错误信息的本地化
查看>>
玩Web虎-运行时受保护文件不可复制
查看>>
跨域解决方案
查看>>
安全警告——“Windows已经阻止此软件因为无法验证发行者”解决办法
查看>>
小票打印机页面打印无法自适应长度导致超长空白打印
查看>>