BeautifulSoup 模块详解

BeautifulSoup 模块详解

 　　BeautifulSoup是一个模块，该模块用于接收一个HTML或XML字符串，然后将其进行格式化，之后遍可以使用他提供的方法进行快速查找指定元素，从而使得在HTML或XML中查找指定元素变得简单。

?
from bs4 import BeautifulSoup
  
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
asdf
    <div class="title">
        <b>The Dormouse's story总共</b>
        <h1>f</h1>
    </div>
<div class="story">Once upon a time there were three little sisters; and their names were
    <a  class="sister0" id="link1">Els<span>f</span>ie</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.</div>
ad<br/>sf
<p class="story">...</p>
</body>
</html>
"""
  
soup = BeautifulSoup(html_doc, features="lxml")
# 找到第一个a标签
tag1 = soup.find(name='a')
# 找到所有的a标签
tag2 = soup.find_all(name='a')
# 找到id＝link2的标签
tag3 = soup.select('#link2')

安装

?
1
pip3 install beautifulsoup4

使用案例

?
1
2
3
4
5
6
7
8
9
10
11
from bs4 import BeautifulSoup
  
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
    ...
</body>
</html>
"""
  
soup = BeautifulSoup(html_doc, features="lxml")

 各个属性方法介绍

name，获取标签名称

?
1
2
3
4
5
# tag = soup.find('a')
# name = tag.name # 获取
# print(name)
# tag.name = 'span' # 设置
# print(soup)

attr，标签属性

?
1
2
3
4
5
6
# tag = soup.find('a')
# attrs = tag.attrs    # 获取
# print(attrs)
# tag.attrs = {'ik':123} # 设置
# tag.attrs['id'] = 'iiiii' # 设置
# print(soup)

children，所有子标签

?
1
2
# body = soup.find('body')
# v = body.children

descendants，所有子子孙孙标签

?
1
2
# body = soup.find('body')
# v = body.descendants

clear，将标签的所有子标签全部清空（保留标签名）

?
1
2
3
# tag = soup.find('body')
# tag.clear()
# print(soup)

decompose，递归的删除所有的标签

?
1
2
3
# body = soup.find('body')
# body.decompose()
# print(soup)

extract，递归的删除所有的标签，并获取删除的标签

?
1
2
3
# body = soup.find('body')
# v = body.extract()
# print(soup)

decode，转换为字符串（含当前标签）；decode_contents（不含当前标签）

?
1
2
3
4
# body = soup.find('body')
# v = body.decode()
# v = body.decode_contents()
# print(v)

encode，转换为字节（含当前标签）；encode_contents（不含当前标签）

?
1
2
3
4
# body = soup.find('body')
# v = body.encode()
# v = body.encode_contents()
# print(v)

find，获取匹配的第一个标签

?
1
2
3
4
5
# tag = soup.find('a')
# print(tag)
# tag = soup.find(name='a', attrs={'class': 'sister'}, recursive=True, text='Lacie')
# tag = soup.find(name='a', class_='sister', recursive=True, text='Lacie')
# print(tag)

find_all，获取匹配的所有标签

?
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
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
# tags = soup.find_all('a')
# print(tags)
  
# tags = soup.find_all('a',limit=1)
# print(tags)
  
# tags = soup.find_all(name='a', attrs={'class': 'sister'}, recursive=True, text='Lacie')
# # tags = soup.find(name='a', class_='sister', recursive=True, text='Lacie')
# print(tags)
  
  
# ####### 列表 #######
# v = soup.find_all(name=['a','div'])
# print(v)
  
# v = soup.find_all(class_=['sister0', 'sister'])
# print(v)
  
# v = soup.find_all(text=['Tillie'])
# print(v, type(v[0]))
  
  
# v = soup.find_all(id=['link1','link2'])
# print(v)
  
# v = soup.find_all(href=['link1','link2'])
# print(v)
  
# ####### 正则 #######
import re
# rep = re.compile('p')
# rep = re.compile('^p')
# v = soup.find_all(name=rep)
# print(v)
  
# rep = re.compile('sister.*')
# v = soup.find_all(class_=rep)
# print(v)
  
# rep = re.compile('http://www.oldboy.com/static/.*')
# v = soup.find_all(href=rep)
# print(v)
  
# ####### 方法筛选 #######
# def func(tag):
# return tag.has_attr('class') and tag.has_attr('id')
# v = soup.find_all(name=func)
# print(v)
  
  
# ## get,获取标签属性
# tag = soup.find('a')
# v = tag.get('id')
# print(v)

has_attr，检查标签是否具有该属性

?
1
2
3
# tag = soup.find('a')
# v = tag.has_attr('id')
# print(v)

get_text，获取标签内部文本内容

?
1
2
3
# tag = soup.find('a')
# v = tag.get_text('id')
# print(v)

index，检查标签在某标签中的索引位置

?
1
2
3
4
5
6
7
# tag = soup.find('body')
# v = tag.index(tag.find('div'))
# print(v)
  
# tag = soup.find('body')
# for i,v in enumerate(tag):
# print(i,v)

is_empty_element，是否是空标签(是否可以是空)或者自闭合标签

 　　 判断是否是如下标签：'br' , 'hr', 'input', 'img', 'meta','spacer', 'link', 'frame', 'base'

?
1
2
3
# tag = soup.find('br')
# v = tag.is_empty_element
# print(v)

当前的关联标签

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
# soup.next
# soup.next_element
# soup.next_elements
# soup.next_sibling
# soup.next_siblings
  
#
# tag.previous
# tag.previous_element
# tag.previous_elements
# tag.previous_sibling
# tag.previous_siblings
  
#
# tag.parent
# tag.parents

 查找某标签的关联标签

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
# tag.find_next(...)
# tag.find_all_next(...)
# tag.find_next_sibling(...)
# tag.find_next_siblings(...)
  
# tag.find_previous(...)
# tag.find_all_previous(...)
# tag.find_previous_sibling(...)
# tag.find_previous_siblings(...)
  
# tag.find_parent(...)
# tag.find_parents(...)
  
# 参数同find_all

 select，select_one， CSS选择器

?
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
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
soup.select("title")
  
soup.select("p nth-of-type(3)")
  
soup.select("body a")
  
soup.select("html head title")
  
tag = soup.select("span,a")
  
soup.select("head > title")
  
soup.select("p > a")
  
soup.select("p > a:nth-of-type(2)")
  
soup.select("p > #link1")
  
soup.select("body > a")
  
soup.select("#link1 ~ .sister")
  
soup.select("#link1 + .sister")
  
soup.select(".sister")
  
soup.select("[class~=sister]")
  
soup.select("#link1")
  
soup.select("a#link2")
  
soup.select('a[href]')
  
soup.select('a[href="http://example.com/elsie"]')
  
soup.select('a[href^="http://example.com/"]')
  
soup.select('a[href$="tillie"]')
  
soup.select('a[href*=".com/el"]')
  
  
from bs4.element import Tag
  
def default_candidate_generator(tag):
    for child in tag.descendants:
        if not isinstance(child, Tag):
            continue
        if not child.has_attr('href'):
            continue
        yield child
  
tags = soup.find('body').select("a", _candidate_generator=default_candidate_generator)
print(type(tags), tags)
  
from bs4.element import Tag
def default_candidate_generator(tag):
    for child in tag.descendants:
        if not isinstance(child, Tag):
            continue
        if not child.has_attr('href'):
            continue
        yield child
  
tags = soup.find('body').select("a", _candidate_generator=default_candidate_generator, limit=1)
print(type(tags), tags)

标签的内容

?
1
2
3
4
5
6
7
8
9
10
11
12
13
# tag = soup.find('span')
# print(tag.string)          # 获取
# tag.string = 'new content' # 设置
# print(soup)
  
# tag = soup.find('body')
# print(tag.string)
# tag.string = 'xxx'
# print(soup)
  
# tag = soup.find('body')
# v = tag.stripped_strings  # 递归内部获取所有标签的文本
# print(v)

append  在当前标签内部追加一个标签　　

?
1
2
3
4
5
6
7
8
9
10
# tag = soup.find('body')
# tag.append(soup.find('a'))
# print(soup)
#
# from bs4.element import Tag
# obj = Tag(name='i',attrs={'id': 'it'})
# obj.string = '我是一个新来的'
# tag = soup.find('body')
# tag.append(obj)
# print(soup)

insert  在当前标签内部指定位置插入一个标签

?
1
2
3
4
5
6
# from bs4.element import Tag
# obj = Tag(name='i', attrs={'id': 'it'})
# obj.string = '我是一个新来的'
# tag = soup.find('body')
# tag.insert(2, obj)
# print(soup)

insert_after，insert_before 在当前标签后面或前面插入

?
1
2
3
4
5
6
7
# from bs4.element import Tag
# obj = Tag(name='i', attrs={'id': 'it'})
# obj.string = '我是一个新来的'
# tag = soup.find('body')
# # tag.insert_before(obj)
# tag.insert_after(obj)
# print(soup)

replace_with 在当前标签替换为指定标签

?
1
2
3
4
5
6
# from bs4.element import Tag
# obj = Tag(name='i', attrs={'id': 'it'})
# obj.string = '我是一个新来的'
# tag = soup.find('div')
# tag.replace_with(obj)
# print(soup)

创建标签之间的关系　　

?
1
2
3
4
# tag = soup.find('div')
# a = soup.find('a')
# tag.setup(previous_sibling=a)
# print(tag.previous_sibling)

wrap，将指定标签把当前标签包裹起来

?
1
2
3
4
5
6
7
8
9
10
11
# from bs4.element import Tag
# obj1 = Tag(name='div', attrs={'id': 'it'})
# obj1.string = '我是一个新来的'
#
# tag = soup.find('a')
# v = tag.wrap(obj1)
# print(soup)
  
# tag = soup.find('a')
# v = tag.wrap(soup.find('p'))
# print(soup)

unwrap，去掉当前标签，将保留其包裹的标签

?
1
2
3
# tag = soup.find('a')
# v = tag.unwrap()
# print(soup)

 

 

 

更多参数官方：http://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/

本博文参考自：http://www.cnblogs.com/wupeiqi/articles/6283017.html

　　 

posted @   叫我+V  阅读(298)  评论(0)  编辑  收藏  举报
编辑推荐：
· 从 HTTP 原因短语缺失研究 HTTP/2 和 HTTP/3 的设计差异
· AI与.NET技术实操系列：向量存储与相似性搜索在 .NET 中的实现
· 基于Microsoft.Extensions.AI核心库实现RAG应用
· Linux系列：如何用heaptrack跟踪.NET程序的非托管内存泄露
· 开发者必知的日志记录最佳实践
阅读排行：
· TypeScript + Deepseek 打造卜卦网站：技术与玄学的结合
· Manus的开源复刻OpenManus初探
· AI 智能体引爆开源社区「GitHub 热点速览」
· 三行代码完成国际化适配，妙~啊~
· .NET Core 中如何实现缓存的预热？
点击右上角即可分享
微信分享提示
SQL AI 助手