python bs4库_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

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

#

#

#

#

#

# 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

#

The Dormouse's story

#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。