python爬虫学习笔记--BeautifulSoup4库的使用详解

目录使用范例常用的对象–Tag常用的对象–NavigableString常用的对象–BeautifulSoup常用的对象–Comment对文档树的遍历tag中包含多个字符串的情况.stripped_strings 去除空白内容搜索文档树–find和find_allselect方法(各种查找)获取内容总结使用范例

from bs4 import BeautifulSoup#创建 Beautiful Soup 对象# 使用lxml来进行解析soup = BeautifulSoup(html,'lxml')print(soup.prettify())

返回结果

常用的对象–Tag

就是 HTML 中的一个个标签

在上面范例的基础上添加

from bs4 import BeautifulSoup#创建 Beautiful Soup 对象# 使用lxml来进行解析soup = BeautifulSoup(html,'lxml')#print(soup.prettify())#创建 Beautiful Soup 对象soup = BeautifulSoup(html,’lxml’)print (soup.title)#None因为这里没有tiele标签所以返回noneprint (soup.head)#None因为这里没有head标签所以返回noneprint (soup.a)#返回 <a href='https://my.csdn.net' target='_blank'>编辑自我介绍，让更多人了解你<span class='write-icon'></span></a>print (type(soup.p))#返回 <class ’bs4.element.Tag’>print( soup.p)

其中print( soup.p)

返回结果为

同样地，在上面地基础上添加

print (soup.name)# [document] #soup 对象本身比较特殊，它的 name 即为 [document]

返回

print (soup.head.name)#head #对于其他内部标签，输出的值为标签本身的名称

print (soup.p.attrs)##把p标签的所有属性打印出来,得到的类型是一个字典。

返回

print (soup.p[’class’])#获取P标签下地class标签

soup.p[’class’] = 'newClass'print (soup.p) # 可以对这些属性和内容等等进行修改

返回

常用的对象–NavigableString

前面地基础上添加

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

返回结果

常用的对象–BeautifulSoup

beautiful soup对象表示文档的全部内容。大多数情况下，它可以被视为标记对象。它支持遍历文档树并搜索文档树中描述的大多数方法因为Beauty soup对象不是真正的HTML或XML标记，所以它没有名称和属性。但是，有时查看其内容很方便。Name属性，因此美丽的汤对象包含一个特殊属性。值为“[文档]”的名称

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

用于解释注释部分的内容

markup = '<b><!--Hey, buddy. Want to buy a used parser?--></b>'soup = BeautifulSoup(markup)comment = soup.b.stringtype(comment)# <class ’bs4.element.Comment’>对文档树的遍历

在上面的基础上添加

head_tag = soup.div# 返回所有子节点的列表print(head_tag.contents)

返回

同理

head_tag = soup.div# 返回所有子节点的迭代器for child in head_tag.children: print(child)

返回

tag中包含多个字符串的情况

可用 .strings 来循环获取

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

返回

.stripped_strings 去除空白内容

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

返回

搜索文档树–find和find_all

找到所有

print(soup.find_all('a',id=’link2’))

find方法是找到第一个满足条件的标签后立即返回，返回一个元素。find_all方法是把所有满足条件的标签都选到，然后返回。

select方法(各种查找)

#通过标签名查找：print(soup.select(’a’))#通过类名查找：#通过类名，则应该在类的前面加一个’.’print(soup.select(’.sister’))#通过id查找：#通过id查找，应该在id的名字前面加一个＃号print(soup.select('#link1'))

查找a标签返回的结果

其他因为网页本身没有，返回的是一个空列表

组合查找

print(soup.select('p #link1'))#查找 p 标签中，id 等于 link1的内容

子标签查找

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

通过属性查找

print(soup.select(’a[href='http://example.com/elsie']’))#属性与标签属同一节点，中间不能有空格获取内容

先查看类型

print (type(soup.select(’div’)))

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

返回

print (soup.select(’div’)[20].get_text())#选取第20个div标签的内容

返回

总结

本篇文章就到这里了，希望能给你带来帮助，也希望您能够多多关注好吧啦网的更多内容!