深入解析网页结构解析模块beautifulsoup

今天给大家分享一个网页结构解析模块beautifulsoup。

前言

beautifulsoup(以下简称bs),是一款网页结构解析模块,它支持传统的Xpath,css selector 语法,可以说很强大了,下面我们就来着重介绍下它的用法。

安装

bs 可以使用pip 或者easy_install安装,方便快捷。

pip install Beautifulsoup4 

基本用法

一般就是先由requests 获取到网页源码后然后对页面进行解析,如图:

图片[1]-深入解析网页结构解析模块beautifulsoup-栗子博客

这样就基本上拿到了页面的源码了。

1.根据标签直接获取元素,如下图:

图片[2]-深入解析网页结构解析模块beautifulsoup-栗子博客

2.根据find,find_all方法查找

前者返回一个结果,后者返回所有结果

find( name , attrs , recursive , text , **kwargs )name :要查找的标签名(字符串、正则、方法、True)attrs: 标签的属性recursive: 递归text: 查找文本**kwargs :其它 键值参数

因为class是关键字,所以要写成class_=”value”, 等同于attrs={“class”:”value”}

这里的参数适用于find find_all两种方法。

只不过find_all 还有其他参数,比如限制查找返回数量 的limit方法,标签内容string方法。

3.根据select方法查找

soup.select(‘div’)

所有名为

的元素 

soup.select(‘#aa’)

所有 id 属性名为aa的元素

soup.select(‘.oo’)

所有class 属性名为oo的元素

soup.select(‘div p’)

所有在

元素之内的元素

soup.select(‘div >p’)

所有直接在

元素之内的元素,中间没有其他元素

soup.select(‘input[name]’)

所有名为,并有一个 name 属性,其值无所谓的元素

soup.select(‘input[type=”button”]’)

所有名为,并有一个 type 属性,其值为 button 的元素

soup.select(‘a’)[0].get_text() # 获取首个a元素的文本

soup.select(‘a’)[0].attrs[‘href’] # 获取首个a元素的链接地址

4.关系节点名

find_parents()返回所有祖先节点的列表,find_parent()返回直接父节点print(soup.title.find_parent())print(soup.title.find_parent().find_all('link')[1])print(soup.title.find_parents())find_next_siblings()返回后面所有兄弟节点的列表,find_next_sibling()返回后面第一个兄弟节点print(soup.title.find_next_sibling())print(soup.title.find_next_siblings())find_previous_siblings()返回前面所有兄弟节点的列表,find_previous_sibling()返回前面第一个兄弟节点print(soup.title.find_previous_sibling())print(soup.title.find_previous_siblings())find_all_next()返回节点后所有符合条件的节点的列表, find_next()返回节点后第一个符合条件的节点print(soup.title.find_next('link'))print(soup.title.find_all_next('link'))find_all_previous()返回节点前所有符合条件的节点, find_previous()返回节点前第一个符合条件的节点print(soup.title.find_previous('link'))print(soup.title.find_all_previous('link'))

5.对象种类

tag(标签)  navigablestring(标签内字符串)  beautifulsoup(对象)  comment(备注)rep=requests.get('https://book.qidian.com/info/1014243481#Catalog',timeout=3)soup=BeautifulSoup(rep.text,'html.parser')print(soup.name)  #beautifulsoup 对象tr=soup.divprint(type(tr),tr) #tag对象 标签print(tr.get_attribute_list('class')) #获取属性对应列表print(tr.a.string) #navigablestring 对象,获取标签内文字,可使用str()方法将她转换为unicode字符串print(soup.a.string.replace_with('fdf')) #替换navigablestring

comment 即为提取的注释内容,一般为!–xxxxxxx–! 包裹的内容就是了

三、使用案例

爬取起点小说主页第一页所有小说名字和链接,如图:

图片[3]-深入解析网页结构解析模块beautifulsoup-栗子博客

import requestsfrom bs4 import BeautifulSouprep=requests.get('https://www.qidian.com/all',timeout=3)soup=BeautifulSoup(rep.text,'html.parser')#按照步骤一步一步来爬取ul=soup.find_all('ul','all-img-list cf')for y in ul:     for z in y.find_all('div','book-mid-info'):        for x in z.find_all('h4'):            for v in x.find_all('a'):                print(v.get_text(),'https:'+v.attrs['href']) #获取a标签的内容和href属性值

最后就可以得出正确结果,如图:

图片[4]-深入解析网页结构解析模块beautifulsoup-栗子博客

关于bs大致就这么多,大家学会了吗??

© 版权声明
THE END
点赞0
抢沙发
头像
提交
头像

昵称

取消
昵称
一言一语