Beautiful Soup就是Python的一个HTML或XML的解析库，可以用它来方便地从网页中提取数据。它有如下三个特点：
- Beautiful Soup提供一些简单的、Python式的函数来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。
- Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为UTF-8编码。你不需要考虑编码方式，除非文档没有指定一个编码方式，这时你仅仅需要说明一下原始编码方式就可以了。
- Beautiful Soup已成为和lxml、html6lib一样出色的Python解释器，为用户灵活地提供不同的解析策略或强劲的速度。
首先，我们要安装它：pip install bs4,然后安装 pip install beautifulsoup4.
Beautiful Soup支持的解析器
下面我们以lxml解析器为例：
from bs4 import BeautifulSoup
soup = BeautifulSoup('<p>Hello</p>', 'lxml')
print(soup.p.string)
结果：
Hello
beautiful soup美化的效果实例：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
html = """<html><head><title>The Dormouse's story</title></head><body><p class="title" name="dromouse"><b>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" rel="external nofollow" rel="external nofollow" rel="external nofollow" class="sister" id="link1"><!-- Elsie --></a>,<a href="http://example.com/lacie" rel="external nofollow" rel="external nofollow" rel="external nofollow" class="sister" id="link2">Lacie</a> and<a href="http://example.com/tillie" rel="external nofollow" rel="external nofollow" rel="external nofollow" class="sister" id="link3">Tillie</a>;and they lived at the bottom of a well.</p><p class="story">...</p>"""from bs4 import BeautifulSoupsoup = BeautifulSoup(html, 'lxml')#调用prettify()方法。这个方法可以把要解析的字符串以标准的缩进格式输出print(soup.prettify())print(soup.title.string) |
结果：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
|
<html> <head> <title> The Dormouse's story </title> </head> <body> <p class="title" name="dromouse"> <b> The Dormouse's story </b> </p> <p class="story"> Once upon a time there were three little sisters; and their names were <a class="sister" href="http://example.com/elsie" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link1"> <!-- Elsie --> </a> , <a class="sister" href="http://example.com/lacie" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link2"> Lacie </a> and <a class="sister" href="http://example.com/tillie" rel="external nofollow" rel="external nofollow" rel="external nofollow" id="link3"> Tillie </a> ;and they lived at the bottom of a well. </p> <p class="story"> ... </p> </body></html>The Dormouse's story |
下面举例说明选择元素、属性、名称的方法
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
|
html = """<html><head><title>The Dormouse's story</title></head><body><p class="title" name="dromouse"><b>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" rel="external nofollow" rel="external nofollow" rel="external nofollow" class="sister" id="link1"><!-- Elsie --></a>,<a href="http://example.com/lacie" rel="external nofollow" rel="external nofollow" rel="external nofollow" class="sister" id="link2">Lacie</a> and<a href="http://example.com/tillie" rel="external nofollow" rel="external nofollow" rel="external nofollow" class="sister" id="link3">Tillie</a>;and they lived at the bottom of a well.</p><p class="story">...</p>"""from bs4 import BeautifulSoupsoup = BeautifulSoup(html, 'lxml')print('输出结果为title节点加里面的文字内容:\n',soup.title)print('输出它的类型:\n',type(soup.title))print('输出节点的文本内容:\n',soup.title.string)print('结果是节点加其内部的所有内容:\n',soup.head)print('结果是第一个p节点的内容:\n',soup.p)print('利用name属性获取节点的名称:\n',soup.title.name)#这里需要注意的是，有的返回结果是字符串，有的返回结果是字符串组成的列表。# 比如，name属性的值是唯一的，返回的结果就是单个字符串。# 而对于class，一个节点元素可能有多个class，所以返回的是列表。print('每个节点可能有多个属性，比如id和class等:\n',soup.p.attrs)print('选择这个节点元素后，可以调用attrs获取所有属性：\n',soup.p.attrs['name'])print('获取p标签的name属性值：\n',soup.p['name'])print('获取p标签的class属性值：\n',soup.p['class'])print('获取第一个p节点的文本:\n',soup.p.string) |
结果：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
|
输出结果为title节点加里面的文字内容:<title>The Dormouse's story</title>输出它的类型:<class 'bs4.element.Tag'>输出节点的文本内容:The Dormouse's story结果是节点加其内部的所有内容:<head><title>The Dormouse's story</title></head>结果是第一个p节点的内容:<p class="title" name="dromouse"><b>The Dormouse's story</b></p>利用name属性获取节点的名称:title每个节点可能有多个属性，比如id和class等:{'class': ['title'], 'name': 'dromouse'}选择这个节点元素后，可以调用attrs获取所有属性：dromouse获取p标签的name属性值：dromouse获取p标签的class属性值：['title']获取第一个p节点的文本:The Dormouse's story |
在上面的例子中，我们知道每一个返回结果都是bs4.element.Tag类型，它同样可以继续调用节点进行下一步的选择。
|
1
2
3
4
5
6
7
8
9
|
html = """<html><head><title>The Dormouse's story</title></head><body>"""from bs4 import BeautifulSoupsoup = BeautifulSoup(html, 'lxml')print('获取了head节点元素，继续调用head来选取其内部的head节点元素:\n',soup.head.title)print('继续调用输出类型：\n',type(soup.head.title))print('继续调用输出内容：\n',soup.head.title.string) |
结果：
|
1
2
3
4
5
6
|
获取了head节点元素，继续调用head来选取其内部的head节点元素: <title>The Dormouse's story</title>继续调用输出类型： <class 'bs4.element.Tag'>继续调用输出内容： The Dormouse's story |
（1）find_all()
find_all，顾名思义，就是查询所有符合条件的元素。给它传入一些属性或文本，就可以得到符合条件的元素，它的功能十分强大。
find_all(name , attrs , recursive , text , **kwargs)
他的用法：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
|
html='''<div class="panel"> <div class="panel-heading"> <h4>Hello</h4> </div> <div class="panel-body"> <ul class="list" id="list-1"> <li class="element">Foo</li> <li class="element">Bar</li> <li class="element">Jay</li> </ul> <ul class="list list-small" id="list-2"> <li class="element">Foo</li> <li class="element">Bar</li> </ul> </div></div>'''from bs4 import BeautifulSoupsoup = BeautifulSoup(html, 'lxml')print('查询所有ul节点，返回结果是列表类型，长度为2:\n',soup.find_all(name='ul'))print('每个元素依然都是bs4.element.Tag类型:\n',type(soup.find_all(name='ul')[0]))#将以上步骤换一种方式，遍历出来for ul in soup.find_all(name='ul'): print('输出每个u1:',ul.find_all(name='li'))#遍历两层for ul in soup.find_all(name='ul'): print('输出每个u1:',ul.find_all(name='li')) for li in ul.find_all(name='li'): print('输出每个元素：',li.string) |
结果：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
查询所有ul节点，返回结果是列表类型，长度为2: [<ul class="list" id="list-1"><li class="element">Foo</li><li class="element">Bar</li><li class="element">Jay</li></ul>, <ul class="list list-small" id="list-2"><li class="element">Foo</li><li class="element">Bar</li></ul>]每个元素依然都是bs4.element.Tag类型: <class 'bs4.element.Tag'>输出每个u1: [<li class="element">Foo</li>, <li class="element">Bar</li>, <li class="element">Jay</li>]输出每个u1: [<li class="element">Foo</li>, <li class="element">Bar</li>]输出每个u1: [<li class="element">Foo</li>, <li class="element">Bar</li>, <li class="element">Jay</li>]输出每个元素： Foo输出每个元素： Bar输出每个元素： Jay输出每个u1: [<li class="element">Foo</li>, <li class="element">Bar</li>]输出每个元素： Foo输出每个元素： Bar |
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。
原文链接：https://www.cnblogs.com/xiao02fang/p/13269984.html
