Python BS4库的安装与使用详解

Beautiful Soup 库一般被称为bs4库，支持Python3，是我们写爬虫非常好的第三方库。因用起来十分的简便流畅。所以也被人叫做“美味汤”。目前bs4库的最新版本是4.60。下文会介绍该库的最基本的使用，具体详细的细节还是要看:[官方文档](Beautiful Soup Documentation)

bs4库的安装

Python的强大之处就在于他作为一个开源的语言，有着许多的开发者为之开发第三方库，这样我们开发者在想要实现某一个功能的时候，只要专心实现特定的功能，其他细节与基础的部分都可以交给库来做。bs4库 就是我们写爬虫强有力的帮手。

安装的方式非常简单:我们用pip工具在命令行里进行安装

$pip install beautifulsoup4

接着我们看一下是否成功安装了bs4库

$pip list

这样我们就成功安装了 bs4 库

bs4库的简单使用

这里我们先简单的讲解一下bs4库的使用，

暂时不去考虑如何从web上抓取网页，

假设我们需要爬取的html是如下这么一段:

下面的一段HTML代码将作为例子被多次用到.这是 爱丽丝梦游仙境的 的一段内容(以后内容中简称为 爱丽丝 的文档):

The Dormouse's story

Once upon a time there were three little sisters; and their names were http://example.com/elsie' class='sister' id='link1'>Elsie, http://example.com/lacie' class='sister' id='link2'>Lacie and http://example.com/tillie' class='sister' id='link3'>Tillie; and they lived at the bottom of a well.

...

下面我们开始用bs4库解析这一段html网页代码。

#导入bs4模块 from bs4 import BeautifulSoup #做一个美味汤 soup = BeautifulSoup(html，'html.parser') #输出结果 print(soup.prettify()) ''' OUT: # # # # # #

# # The Dormouse's story # #

#

# Once upon a time there were three little sisters; and their names were # # Elsie # # , # # Lacie # # and # # Tillie # # ; and they lived at the bottom of a well. #

#

# ... #

# # '''

可以看到bs4库将网页文件变成了一个soup的类型，

事实上，bs4库 是解析、遍历、维护、“标签树“的功能库。

通俗一点说就是: bs4库把html源代码重新进行了格式化，

从而方便我们对其中的节点、标签、属性等进行操作。

下面是几个简单的浏览结构化数据的方式 :

请仔细观察最前面的html文件

#找到文档的title soup.title # #title的name值 soup.title.name # u'title' #title中的字符串String soup.title.string # u'The Dormouse's story' #title的父亲节点的name属性 soup.title.parent.name # u'head' #文档的第一个找到的段落 soup.p #

The Dormouse's story

#找到的p的class属性值 soup.p['class'] # u'title' #找到a标签 soup.a # http://example.com/elsie' id='link1'>Elsie #找到所有的a标签 soup.find_all('a') # [http://example.com/elsie' id='link1'>Elsie, # http://example.com/lacie' id='link2'>Lacie, # http://example.com/tillie' id='link3'>Tillie] #找到id值等于3的a标签 soup.find(id='link3') # http://example.com/tillie' id='link3'>Tillie

通过上面的例子 我们知道bs4库是这样理解一个html源文件的:

首先 把html源文件转换为soup类型

接着 从中通过特定的方式抓取内容

更高级点的用法?

从文档中找到所有标签的链接:

#发现了没有，find_all方法返回的是一个可以迭代的列表 for link in soup.find_all('a'): print(link.get('href')) # http://example.com/elsie # http://example.com/lacie # http://example.com/tillie

从文档中获取所有文字内容:

#我们可以通过get_text 方法 快速得到源文件中的所有text内容。 print(soup.get_text()) # The Dormouse's story # # The Dormouse's story # # Once upon a time there were three little sisters; and their names were # Elsie, # Lacie and # Tillie; # and they lived at the bottom of a well. # # ...

bs4库的入门使用我们就先进行到这。

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脚本之家。