BeautifulSoup模块

目录

• 一、BeautifulSoup遍历文档树
  • 1. 美化，不是标准xml，完成美化
  • 2. 遍历文档树(通过点来遍历)
  • 3. 获取标签的名称
  • 4. 获取标签的属性
  • 5. 获取标签的内容
• 二、BeautifulSoup搜索文档树
  • 1. 通过find或find_all来搜索
  • 2. 通过css选择器来搜索

本篇文章主要讲bs4模块(BeautifulSoup),这个模块能做么呢？用一句话来概括的话：beautifulsoup4 从HTML或XML文件中提取数据的Python库,用它来解析爬取回来的xml。从而从网站中精准爬取自己想要的内容。
它是Python的第三方模块，因此需要下载

pip install pip install beautifulsoup4

这个模块与另一个lxml(解析库)模块配合这个用

pip install lxml

最基本用法

html_doc = '需要解析的HTML内容'
soup = BeautifulSoup(html_doc, 'lxml')

一、BeautifulSoup遍历文档树

1. 美化，不是标准xml，完成美化

print(soup.prettify())

2. 遍历文档树(通过点来遍历)

print(soup.html.body.p)  # 一层一层找

3. 获取标签的名称

print(soup.a.name)

4. 获取标签的属性

print(soup.a.attrs.get('class'))

5. 获取标签的内容

print(soup.p.text)
print(list(soup.p.strings)) # generator

二、BeautifulSoup搜索文档树

1. 通过find或find_all来搜索

# 1 字符串--->查询的条件是字符串
res=soup.find_all(name='p')
res=soup.find_all('p')
print(res)

# 2 正则表达式
import re
res=soup.find_all(class_=re.compile('^s'))
print(res)

# 3 列表
res=soup.find_all(id=['link1','link2'])
print(res)
print(soup.find_all(name=['a','b']))
print(soup.find_all(['a','b']))


# 4 True
res=soup.find_all(id=True)  # 所有有id的标签
res=soup.find_all(href=True)
res=soup.find_all(class_=True)
print(res)

2. 通过css选择器来搜索

其实css选择器是前端重点内容，但是对于后端程序员而言会用就行，这里我放大招哈哈哈
首先去浏览器右键检查、然后用定位箭头定位目的地、点击对用的HTML右键、选择copy、再现在copy selector 按照这个步骤就快速得到一个css选择器咯,css选择器大痛点解决之后，接下来咱看一下如何用css选择器搜索文档树吧，具体请看如下代码框

from bs4 import BeautifulSoup
import requests
res=requests.get('https://www.w3school.com.cn/css/css_selector_attribute.asp')
soup=BeautifulSoup(res.text,'lxml')
print(soup.select('#intro > p:nth-child(1) > strong')[0].text)