python BeautifulSoup使用方法详解

yipeiwu_com6年前Python基础

直接看例子:

复制代码 代码如下:

#!/usr/bin/python
# -*- coding: utf-8 -*-
from bs4 import BeautifulSoup
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="//www.jb51.net" class="sister" id="link1">Elsie</a>,
<a href="//www.jb51.net" class="sister" id="link2">Lacie</a> and
<a href="//www.jb51.net" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
soup = BeautifulSoup(html_doc)
print soup.title
print soup.title.name
print soup.title.string
print soup.p
print soup.a
print soup.find_all('a')
print soup.find(id='link3')
print soup.get_text()

结果为:

复制代码 代码如下:

<title>The Dormouse's story</title>
title
The Dormouse's story
<p class="title"><b>The Dormouse's story</b></p>
<a class="sister" href="//www.jb51.net" id="link1">Elsie</a>
[<a class="sister" href="//www.jb51.net" id="link1">Elsie</a>, <a class="sister" href="//www.jb51.net" id="link2">Lacie</a>, <a class="sister" href="//www.jb51.net" id="link3">Tillie</a>]
<a class="sister" href="//www.jb51.net" id="link3">Tillie</a>
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.
...

可以看出:soup 就是BeautifulSoup处理格式化后的字符串,soup.title 得到的是title标签,soup.p  得到的是文档中的第一个p标签,要想得到所有标签,得用find_all
函数。find_all 函数返回的是一个序列,可以对它进行循环,依次得到想到的东西.
get_text() 是返回文本,这个对每一个BeautifulSoup处理后的对象得到的标签都是生效的。你可以试试 print soup.p.get_text()
其实是可以获得标签的其他属性的,比如我要获得a标签的href属性的值,可以使用 print soup.a['href'],类似的其他属性,比如class也是可以这么得到的(soup.a['class'])。
特别的,一些特殊的标签,比如head标签,是可以通过soup.head 得到,其实前面也已经说了。
如何获得标签的内容数组?使用contents 属性就可以 比如使用 print soup.head.contents,就获得了head下的所有子孩子,以列表的形式返回结果,
可以使用 [num]  的形式获得 ,获得标签,使用.name 就可以。
获取标签的孩子,也可以使用children,但是不能print soup.head.children 没有返回列表,返回的是 <listiterator object at 0x108e6d150>,
不过使用list可以将其转化为列表。当然可以使用for 语句遍历里面的孩子。
关于string属性,如果超过一个标签的话,那么就会返回None,否则就返回具体的字符串print soup.title.string 就返回了 The Dormouse's story
超过一个标签的话,可以试用strings
向上查找可以用parent函数,如果查找所有的,那么可以使用parents函数
查找下一个兄弟使用next_sibling,查找上一个兄弟节点使用previous_sibling,如果是查找所有的,那么在对应的函数后面加s就可以

如何遍历树?

使用find_all 函数

复制代码 代码如下:

find_all(name, attrs, recursive, text, limit, **kwargs)

举例说明:

复制代码 代码如下:

print soup.find_all('title')
print soup.find_all('p','title')
print soup.find_all('a')
print soup.find_all(id="link2")
print soup.find_all(id=True)

返回值为:

复制代码 代码如下:

[<title>The Dormouse's story</title>]
[<p class="title"><b>The Dormouse's story</b></p>]
[<a class="sister" href="//www.jb51.net" id="link1">Elsie</a>, <a class="sister" href="//www.jb51.net" id="link2">Lacie</a>, <a class="sister" href="//www.jb51.net" id="link3">Tillie</a>]
[<a class="sister" href="//www.jb51.net" id="link2">Lacie</a>]
[<a class="sister" href="//www.jb51.net" id="link1">Elsie</a>, <a class="sister" href="//www.jb51.net" id="link2">Lacie</a>, <a class="sister" href="//www.jb51.net" id="link3">Tillie</a>]

通过css查找,直接上例子:

复制代码 代码如下:

print soup.find_all("a", class_="sister")
print soup.select("p.title")

通过属性进行查找

复制代码 代码如下:

print soup.find_all("a", attrs={"class": "sister"})

通过文本进行查找

复制代码 代码如下:

print soup.find_all(text="Elsie")
print soup.find_all(text=["Tillie", "Elsie", "Lacie"])

限制结果个数

复制代码 代码如下:

print soup.find_all("a", limit=2)

结果为:

复制代码 代码如下:

[<a class="sister" href="//www.jb51.net" id="link1">Elsie</a>, <a class="sister" href="//www.jb51.net" id="link2">Lacie</a>, <a class="sister" href="//www.jb51.net" id="link3">Tillie</a>]
[<p class="title"><b>The Dormouse's story</b></p>]
[<a class="sister" href="//www.jb51.net" id="link1">Elsie</a>, <a class="sister" href="//www.jb51.net" id="link2">Lacie</a>, <a class="sister" href="//www.jb51.net" id="link3">Tillie</a>]
[u'Elsie']
[u'Elsie', u'Lacie', u'Tillie']
[<a class="sister" href="//www.jb51.net" id="link1">Elsie</a>, <a class="sister" href="//www.jb51.net" id="link2">Lacie</a>]

总之,通过这些函数可以查找到想要的东西。

相关文章

Python 获取项目根路径的代码

在 运行,调试,打包成exe 三个不同场景下获取跟路径,用于解决获取资源文件绝对路径问题。 工具类代码如下: import sys import os class pathutil(...

Python编程中运用闭包时所需要注意的一些地方

写下这篇博客,起源于Tornado邮件群组的这个问题how to use outer variable in inner method,这里面老外的回答很有参考价值,关键点基本都说到了。...

详解Python的Django框架中的中间件

什么是中间件 我们从一个简单的例子开始。 高流量的站点通常需要将Django部署在负载平衡proxy之后。 这种方式将带来一些复杂性,其一就是每个request中的远程IP地址(requ...

pyqt5与matplotlib的完美结合实例

具体用到了matplotlib.backends.backend_qt5agg.FigureCanvasQTAgg 直接上代码(这里给出的只是一个简单的框架,告诉你怎么去写): #...

Python实现简易端口扫描器代码实例

Python实现简易端口扫描器代码实例

在网上的一些资料的基础上自己又添了些新内容,算是Python socket编程练手吧。 #coding=utf-8 import socket import time import...