python爬蟲學習筆記--BeautifulSoup4庫的使用詳解

目錄使用范例常用的對象–Tag常用的對象–NavigableString常用的對象–BeautifulSoup常用的對象–Comment對文檔樹的遍歷tag中包含多個字符串的情況.stripped_strings 去除空白內容搜索文檔樹–find和find_allselect方法(各種查找)獲取內容總結使用范例

from bs4 import BeautifulSoup#創建 Beautiful Soup 對象# 使用lxml來進行解析soup = BeautifulSoup(html,'lxml')print(soup.prettify())

返回結果

常用的對象–Tag

就是 HTML 中的一個個標簽

在上面范例的基礎上添加

from bs4 import BeautifulSoup#創建 Beautiful Soup 對象# 使用lxml來進行解析soup = BeautifulSoup(html,'lxml')#print(soup.prettify())#創建 Beautiful Soup 對象soup = BeautifulSoup(html,’lxml’)print (soup.title)#None因為這里沒有tiele標簽所以返回noneprint (soup.head)#None因為這里沒有head標簽所以返回noneprint (soup.a)#返回 <a target='_blank'>編輯自我介紹，讓更多人了解你<span class='write-icon'></span></a>print (type(soup.p))#返回 <class ’bs4.element.Tag’>print( soup.p)

其中print( soup.p)

返回結果為

同樣地，在上面地基礎上添加

print (soup.name)# [document] #soup 對象本身比較特殊，它的 name 即為 [document]

返回

print (soup.head.name)#head #對于其他內部標簽，輸出的值為標簽本身的名稱

print (soup.p.attrs)##把p標簽的所有屬性打印出來,得到的類型是一個字典。

返回

print (soup.p[’class’])#獲取P標簽下地class標簽

soup.p[’class’] = 'newClass'print (soup.p) # 可以對這些屬性和內容等等進行修改

返回

常用的對象–NavigableString

前面地基礎上添加

print (soup.p.string)# The Dormouse’s storyprint (type(soup.p.string))# <class ’bs4.element.NavigableString’>thon

返回結果

常用的對象–BeautifulSoup

beautiful soup對象表示文檔的全部內容。大多數情況下，它可以被視為標記對象。它支持遍歷文檔樹并搜索文檔樹中描述的大多數方法因為Beauty soup對象不是真正的HTML或XML標記，所以它沒有名稱和屬性。但是，有時查看其內容很方便。Name屬性，因此美麗的湯對象包含一個特殊屬性。值為“[文檔]”的名稱

print(soup.name)#返回 ’[document]’常用的對象–Comment

用于解釋注釋部分的內容

markup = '<b><!--Hey, buddy. Want to buy a used parser?--></b>'soup = BeautifulSoup(markup)comment = soup.b.stringtype(comment)# <class ’bs4.element.Comment’>對文檔樹的遍歷

在上面的基礎上添加

head_tag = soup.div# 返回所有子節點的列表print(head_tag.contents)

返回

同理

head_tag = soup.div# 返回所有子節點的迭代器for child in head_tag.children: print(child)

返回

tag中包含多個字符串的情況

可用 .strings 來循環獲取

for string in soup.strings: print(repr(string))

返回

.stripped_strings 去除空白內容

for string in soup.stripped_strings: print(repr(string))

返回

搜索文檔樹–find和find_all

找到所有

print(soup.find_all('a',id=’link2’))

find方法是找到第一個滿足條件的標簽后立即返回，返回一個元素。find_all方法是把所有滿足條件的標簽都選到，然后返回。

select方法(各種查找)

#通過標簽名查找：print(soup.select(’a’))#通過類名查找：#通過類名，則應該在類的前面加一個’.’print(soup.select(’.sister’))#通過id查找：#通過id查找，應該在id的名字前面加一個＃號print(soup.select('#link1'))

查找a標簽返回的結果

其他因為網頁本身沒有，返回的是一個空列表

組合查找

print(soup.select('p #link1'))#查找 p 標簽中，id 等于 link1的內容

子標簽查找

print(soup.select('head > title'))

通過屬性查找

print(soup.select(’a[]’))#屬性與標簽屬同一節點，中間不能有空格獲取內容

先查看類型

print (type(soup.select(’div’)))

for title in soup.select(’div’): print (title.get_text())

返回

print (soup.select(’div’)[20].get_text())#選取第20個div標簽的內容

返回

總結

本篇文章就到這里了，希望能給你帶來幫助，也希望您能夠多多關注好吧啦網的更多內容!