爬虫模块介绍--Beautifulsoup (解析库模块,正则)

Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间.你可能在寻找 Beautiful Soup3 的文档,Beautiful Soup 3 目前已经停止开发,官网推荐在现在的项目中使用Beautiful Soup 4, 移植到BS4

re模块也是解析库(解析库只能解析HTML文档) 

#安装 Beautiful Soup
pip install beautifulsoup4 #安装解析器
Beautiful Soup支持Python标准库中的HTML解析器,还支持一些第三方的解析器,其中一个是 lxml .根据操作系统不同,可以选择下列方法来安装lxml: $ apt-get install Python-lxml $ easy_install lxml $ pip install lxml 另一个可供选择的解析器是纯Python实现的 html5lib , html5lib的解析方式与浏览器相同,可以选择下列方法来安装html5lib: $ apt-get install Python-html5lib $ easy_install html5lib $ pip install html5lib

爬虫模块介绍--Beautifulsoup (解析库模块,正则)

bs4模块下的方法

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p id="my p" class="title"><b id="bbb" class="boldest">The Dormouse's story</b>
</p> <p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p> <p class="story">...</p>
""" from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc,'lxml') # prettify就是让文档排版变得好看
res = soup.prettify()
# print(res) '''遍历文档树(HTML标签就是文档树,可以遍历可以搜索),遍历文档树市存在多个标签则只返回第一个'''
print(type(soup.p)) # 从上往下找到第一个的p标签,是一个tag对象,可以以对象的方式调用
print(soup.p.find(name='b')) # 从对象里找到b标签又是一个对象
print(soup.p.find(name='b').text) # 用text才是文档内容
print(soup.p.name) # 获取标签名
print(soup.p.attrs) # 获取标签类名以字典返回,id是唯一的,class可能是多个,所以在字典中以class:[]形式返回
print(soup.p.attrs.get('class')[0]) # 这个就是取出class索引位0的类名
print(soup.p.strings) # text会把所有的文字拼接成一个字符串,当标签下有多个内容就要用strings取值,把不同的类型放入列表,是一个生成器,标签下内容最少有一个时就能取到,否则取出的就是None
print(soup.p.string) # 当标签下只有一个内容,可以用string,如果是多个内容则无法取值,因为不知道要取哪一个
print(soup.body.p.b) # 遍历文档树的嵌套选择,就是一层一层的往下走
print(soup.p.contents) # p标签下所有子节点
print(soup.p.contents) # p下所有子节点 print(soup.p.children) # 得到一个迭代器,包含p下所有子节点
for i,child in enumerate(soup.p.children):
print(i,child) print(soup.p.descendants) #获取子孙节点,p下所有的标签都会选择出来
for i,child in enumerate(soup.p.descendants):
print(i,child) print(soup.a.parent) #获取a标签的父节点
print(soup.a.parents) #找到a标签所有的祖先节点,父亲的父亲,父亲的父亲的父亲... print(soup.a.next_sibling) #下一个兄弟
print(soup.a.previous_sibling) #上一个兄弟 print(list(soup.a.next_siblings)) #下面的兄弟们=>生成器对象
print(soup.a.previous_siblings) #上面的兄弟们=>生成器对象 '''搜索文档树'''
# 有五种过滤器: 字符串、正则表达式、列表、True、方法
# name = None 标签名
# attrs={} 属性
# recursive=True 默认是True,如果是False就表示不递归
# text=None 文本内容
# **kwargs # 字符串形式
ret = soup.find(name='p') # name的值就是标签名,这个就是字符串匹配
ret = soup.find(attrs={'class':'title'}) # 属性查找,就是查找类名或者id等名字的标签
res = soup.find(text="The Dormouse's story") # 查找这个字符串的标签 # 正则形式
import re
ret = soup.find(name=re.compile('^b')) # 用正则找到b开头的标签
ret = soup.find(attrs={'class':re.compile('^t')}) # 用正则找到用以t开头的类名标签
ret = soup.find(name='title',text=re.compile('^T')) # 查找文本,有T字符开头的标签 # 列表形式
ret = soup.find_all(name=['b','p']) # 查找多种类型的标签,直接以列表传入
ret = soup.find_all(text=["The Dormouse's story"]) # 查找包含多个字符的列表,可以传入列表
ret = soup.find_all(name=True) # 找出所有的标签
ret = soup.find_all(attrs={'id':True}) # 找出所有属性有id的标签
ret = soup.find_all(name='p',attrs={'id':True}) # 找出所有有id的p标签 # 方法 固定写法
def has_class_but_no_id(tag): # 参数tag是必须传的
# 判断当前标签有class属性和没有id属性的的标签
return tag.has_attr('class') and not tag.has_attr('id')
ret = soup.find_all(name=has_class_but_no_id) # 这里传入
print(ret) # 其他参数
ret = soup.find_all(name='b',recursive=False) # 不递归查找,soup就是整个html标签,这个标签下没有p所以返回空列表
ret = soup.find_all(name='a',limit=2) # a标签有多个,limit设置的参数就是表示取查找到的前几个
ret = soup.find_all(class_='story') # 查找class(id)为story的标签可以这样写,class是python中的关键字,所以要加个 _ 这个参数就给了**kwargs # css选择器,bs4模块也支持css选择器
print(soup.p.select('.sister')) # 查找类名是sister的标签
print(soup.select('.sister span')) # 查找类名是sister下的span标签 print(soup.select('#link1')) # 查找id是#link1的标签
print(soup.select('#link1 span')) # 查找id是#link1下的span标签标签 print(soup.select('#list-2 .element.xxx'))
print(soup.select('#list-2')[0].select('.element')) # 找list-2的空间,加0就是找到的是列表,所以要取第0位,取出来还是tag对象,继续往下找类名
print(soup.select('#list-2 h1')[0].attrs) # 获取控件的属性
print(soup.select('#list-2 h1')[0].get_text()) # 获取控件的内容
上一篇:codeforces-2


下一篇:Error: cannot find a valid baseurl for repo: rpmfusion-free 解决办法