北京理工大学-Python网络爬虫与信息提取学习笔记04

cmd命令 pip intsall beautifulsoup4

BeautifulSoup库是解析、遍历、维护“标签树”的功能库

使用BeautifulSoup库
from bs4 import BeautifulSoup
soup=BeautifulSoup(’< p>data,‘html.parser’)

BeautifulSoup对应一个HTML/XML文档的全部内容

BeautifulSoup库解析器
bs4的HTML解析器 BeautifulSoup(mk,‘html.parser’) 安装bs4库
lmxl的HTML解析器 BeautifulSoup(mk,‘lxml’) pip insatll lxml
lxml的XML解析器 BeautifulSoup(mk,‘xml’) pip install lxml
html5lib的解析器 BeautifulSoup(mk,‘html5lib’) pip install html5lib

BeautifulSoup类的基本元素
Tag 标签，最基本的信息组织单元，分别用<>和标明开头和结尾
Name 标签的名字，< p>…的名字是’p’,格式：< tag>.name
Attributes 标签的属性，字典形式组织，格式：< tag>.attrs
NavigableString 标签内非属性字符串，<>…中字符串，格式：< tag>.string
Comment 标签内字符串的注释部分，一种特殊的Comment类型

基于bs4库的HTML内容遍历方法

标签树的下行遍历
.contents 子节点的列表，将所有子节点列入列表
.children 子节点的迭代类型，与.contents类似，用于循环遍历子节点
遍历儿节点

      for child in soup.body.childre:
          print(child)

.descendants 子孙节点的迭代类型，包含所有子孙节点，用于循环遍历
遍历子孙节点

      for child in soup.body.descendants:
          print(child)

标签树的上行遍历
.parent 节点的父亲标签
.parents 节点先辈标签的迭代类型，用于循环遍历先辈节点

     for parent in soup.a.parents:
           if parent is None:
               print(parent)
           else:
               print(parent.name)

标签树的平行遍历（平行遍历发生在同一个父节点下的各节点间）
.next_sibling 返回按照HTML文本顺序的下一个平行节点标签
.previous_sibling 返回按照HTML文本顺序的上一个平行节点标签
.next_siblings 返回按照HTML文本顺序的后续所有平行节点标签

              for sibling in soup.a.next_siblings:
                  print(sibling)

 .previous_siblings   返回按照HTML文本顺序的前续所有平行节点标签

           for sibling in soup.a.previous_siblings:
                  print(sibling)

基于bs4库的HTML格式输出
bs4库的.prettify（）方法

例子

import requests
from bs4 import BeautifulSoup

try:
    r=requests.get('http://python123.io/ws/demo.html')
    r.raise_for_status()
    demo=r.text
    soup=BeautifulSoup(demo,'html.parser')
    print(soup.title)
    tag=soup.a
    print(tag.attrs)    #标签a的属性
    print(tag.attrs['class'])
    print(tag.attrs['href'])

    print(type(tag.attrs))   #查看标签的类型
    print(type(tag))   #tag标签可以有0个或多个属性

    print(soup.p.string)   #查看标签的字符串
    print(type(soup.p.string))

    newsoup=BeautifulSoup('
This is not a comment
','heml.parser')
    print(newsoup.b.string)
    print(type(newsoup.b.string))
    print(newsoup.p.string)
    print(type(newsoup.p.string))

    print(tag)
    print(soup.a.name)
    print(soup.a.parent.name)
    print(soup.a.parent.parent.naem)

    print(soup.prettify())  #HTML格式化

except:
    print('爬取失败')

HTML内容遍历

import requests
from bs4 import BeautifulSoup

try:
    r=requests.get('http://python123.io/ws/demo.html')
    r.raise_for_status()
    demo = r.text
    soup = BeautifulSoup(demo, 'html.parser')
    print(soup.head.contents)
    print(soup.body.contents)  #包括字符串和标签节点
    print(len(soup.body.contents))  #body的节点数量
    print(soup.body.contents[1])   #查看第二个节点

    print(soup.title.parent)
    print(soup.html.parent)   #html标签的父亲就是它自己
    print(soup.parent)  #soup的父亲为空

    print(soup.a.next_sibling)
    print(soup.a.next_sibling.next_sibling)
    print(soup.a.previous_sibling)
    print(soup.a.previous_sibling.previous_sibling)

except:
    print('爬取失败')

ps：学习链接 https://www.icourse163.org/learn/BIT-1001870001?tid=1206951268#/learn/announce