BeautifulSoup4的使用

BeautifulSoup

• 去除打印时警告信息

  • import warnings
    warnings.filterwarnings("ignore")
    

html = """
<tbody>
<tr class="h">
    <td class="l" width="374">职位名称td>
    <td>职位类别td>
    <td>人数td>
    <td>地点td>
    <td>发布时间td>
tr>

<tr class="even">
    <td class="l square"><a target="_blank" href="position_detail.php?id=44569&keywords=Python&tid=0&lid=0">MIG16-基础架构工程师（北京）a>td>
    <td>技术类td>
    <td>1td>
    <td>北京td>
    <td>2018-09-29td>
tr>

<tr class="odd">
    <td class="l square"><a target="_blank" href="position_detail.php?id=44570&keywords=Python&tid=0&lid=0">MIG16-数据系统高级开发工程师a>td>
    <td>技术类td>
    <td>1td>
    <td>北京td>
    <td>2018-09-29td>
tr>

<tr class="even">
    <td class="l square"><a target="_blank" href="position_detail.php?id=44567&keywords=Python&tid=0&lid=0">MIG16-基础架构工程师（北京）a>td>
    <td>技术类td>
    <td>1td>
    <td>北京td>
    <td>2018-09-29td>
tr>

<tr class="odd">
    <td class="l square"><a target="_blank" href="position_detail.php?id=44559&keywords=Python&tid=0&lid=0">18796-专项技术测试(深圳）a><span class="hot"> span>td>
    <td>技术类td>
    <td>2td>
    <td>深圳td>
    <td>2018-09-29td>
tr>
tbody>
"""

• 导入BeautifulSoup
  from bs4 import BeautifulSoup

• 转至对象，括号可以加入url,要爬取得模板名，还可以加入‘lxml’解析器

  bs = BeautifulSoup(html,‘lxml’)

  • **prettify()：**格式化输出网页
    bs.prettify()

• 取出文本方法：

  • 获取全部文本get_text()
    t = bs.select(‘a’)
    for i in t:
    print(i.get_text())
  • **string:**同样还有一个方法索引出文本
    t = bs.select(‘a’)
    for i in t:
    print(i.string)

• find_all()方法：

  • **find_all：**匹配所有网页tr标签，不加过滤条件，获取全部的tr标签
    bs.find_all(‘标签名’)
  • limit限制符合条件前n个标签
    bs.find_all(‘tr’,limit=2)
    • **索引：**相同概念
      bs.find_all(‘tr’)[0]
  • 指定取出所有tr子节点class 传入class是class_ = ‘名’
    bs.find_all(‘tr’,class_ = ‘h’)
  • 选择class=even，同时id=feng的tr子节点
    bs.find_all(‘tr’,class_ = ‘even’,id = ‘feng’)
  • **get_text()**方法,这个方法获取到tag中包含的所有文版内容包括子孙tag中的内容
    t = bs.find_all(‘tr’)[2] 必须索引否则报错AttributeError 可以指定索引某个
    print(t.get_text())
  • 可以传入一个参数作为分隔符，让获取的字符串更好的显示出来
    t = bs.find_all(‘tr’)[2]
    print(t.get_text(’=’))
    还可以加入一个参数strip=True删除返回的字符串左右两边的空格
    t = bs.find_all(‘tr’)[2]
    print(t.get_text(’=====’,strip = True))
  • 想要获取节点的属性，，想获取它的href属性值，或者对于其他的节点元素，我们想要获取name、class、id等属性值的
    当输入错误标签里面子节点时会报错KeyError: ‘traget’
    t = bs.find_all(‘a’)
    for i in t:
    print(i[‘target’])

• find方法：

  • find()方法只选取符合条件的第一个标签,取别的标签报错KeyError索引出错
    bs.find(‘tr’)
  • **contents属性:**该属性返回的是某个节点下的全部子元素，包括子元素的标签名和文本内容。返回的数据类型是列表
    t = bs.find(‘tr’)
    print(t.contents)列表
    可以迭代出
    for i in t.contents:
    print(i.string)
  • **children属性：**和contents属性的用法是一样的，但是返回的数据类型是迭代器
    t = bs.find(‘tr’)
    返回包含空格，
    for i in t.children:
    print(i.string)

• select方法：

  • select 可以通过标签名，标签的class、标签的id，通过标签的name、href等属性来选择我们的元素。使用该方法返回的是一个迭代器，我们可以通过for…in…循环遍历
  • 可以连着取标签下的子节点，然后用for迭代出i 然后用i所以用i索引出想要的href
    t = bs.select(‘td a’)
    for i in t:
    print(i[‘href’])
  • 通过属性来查找标签，比如查找href属性等于index.html的a节点
    a = bs.select(“a[href=‘index.html’]”)
  • 选择div中的直接子元素img
    img = bs.select(“div > img”)

• strings属性：

  • 一个节点只包含一个文本节点，或者是只包含一个节点,strings,获取该文本节点的文本内容，或者是这个节点的文本内容’’‘可能或出现换行和空格等空白文本’’’
    o = r.select(‘div’)[1]

  • 必须索引否则报错’’‘AttributeError: ‘list’ object has no attribute ‘strings’’’’

    for i in o.strings:
    print(i)

• 如果不想获取换行和空格，那么我们可以使用stripped_strings属性
  o = r.select(‘div’)[0]
  for i in o.stripped_strings:
  print(i)