python爬虫-html解析器beautifulsoup

 

 

看排版更好的原文地址

 

BeautifulSoup库是解析、遍历、维护“标签树”的功能库

安装

sudo pip install beautifulsoup4

使用

# coding: UTF-8
import requests
url="http://www.baidu.com"
r=requests.get(url)
r.encoding=r.apparent_encoding
print r.text

结果:
这里写图片描述
上面的代码以前写过,就是获取百度的源代码。现在我们就通过这个源代码来学习beautifulsoup库的使用吧

soup.prettify()

对源代码进行美化(格式化)
# coding: UTF-8
import requests
from bs4 import BeautifulSoup
url="http://www.baidu.com"
r=requests.get(url)
r.encoding=r.apparent_encoding
#将源代码保存到变量s里面
s=r.text
soup=BeautifulSoup(s,"html.parser")
s=soup.prettify()
print s

结果:(确实好看多了)
这里写图片描述
from bs4 import
引入BeautifulSoup类

代码中构建了一个BeautifulSoup类型的对象soup,参数为网页源代码和”html.parser”,表明是解析html的。

soup=BeautifulSoup(s,"html.parser")

上面的代码是通过字符串里面的源代码构建BeautifulSoup类对象,还可以像下面这样直接使用本地html文件创建BeautifulSoup类对象。

soup=BeautifulSoup(open("a.html"),"html.parser")

基本元素说明

这里写图片描述

例子

  • title
    标题标签
print soup.title

结果:
这里写图片描述

  • a
    链接标签
print soup.a

结果:
这里写图片描述
tips:有多个时只返回第一个
* name
显示标签的名字

print soup.a.name

这里写图片描述

  • parent
    得到标签的父标签,是一个bs4.element.Tag对象
int soup.a.parent.name
print soup.a.parent.parent.name
print soup.a.parent.parent.parent.parent.parent.name

这里写图片描述

  • attrs
    得到标签属性,是一个字典
print soup.a.attrs

attrs
如果要获取字典中的一个值,可以通过:

print soup.a.attrs["class"]

class是字典的一个key,返回它对应的value
这里写图片描述

print soup.a.attrs["href"]
```获取链接
```tips:在python里面可以用type()获取变量的类型```
* string
获取尖括号之间的字符串




<div class="se-preview-section-delimiter"></div>

print soup.a.string
“`

print soup.a.string

是一个bs4.element.NavigableString类型的对象
这里写图片描述

为了便于比较,附a的图:

这里写图片描述

  • 小结

这里写图片描述

html的遍历

这里写图片描述

contents

子节点的列表,list类型

soup=BeautifulSoup("<body><p>1111</p><p>2222</p></body>","html.parser")
print soup.body.contents

这里写图片描述
得到列表元素:

list=soup.body.contents
print list[1]

这里写图片描述

tips:index从0开始,list[0],list[1]

children

得到标签的子节点,为listiterator(迭代)类型

for child in soup.body.children:
    print child

遍历儿子节点
这里写图片描述

parent

节点的父亲标签

parents

先辈标签的迭代类型

平行遍历

(同一个父节点的标签之间)
这里写图片描述

  • 总结

这里写图片描述

 

http://hjwblog.com/2018/03/22/%E5%AE%89%E5%8D%93/%E5%AE%89%E5%8D%93%E5%BC%80%E5%8F%91-intent%E5%9C%A8Activity%E4%B9%8B%E9%97%B4%E6%95%B0%E6%8D%AE%E4%BC%A0%E9%80%92/

posted @ 2018-01-13 00:51  philhuan  阅读(12805)  评论(0编辑  收藏  举报