Python beautifulsoup4解析 数据提取 基本使用
Python beautifulsoup4解析 数据提取 使用介绍&常用示例
文章目录
- Python beautifulsoup4解析 数据提取 使用介绍&常用示例
- 前言
- 二、from bs4 import BeautifulSoup
-
- 1.pip install beautifulsoup4
- 2.Beautiful用法介绍
-
- 2.1 解析html源码创建创建Beautifulsoup对象
- 2.2 beautiful对象的常用属性和方法
- 2.3 find、find_all、CSS选择器 根据条件提取元素
- 3.常用代码
- 4.对象类型介绍
- 总结
前言
Beautiful Soup是Python的一个网页解析库，处理快捷; 支持多种解析器，功能强大。教程细致讲解Beautiful Soup的深入使用、节点选择器、CSS选择器、Beautiful Soup4的方法选择器等重要知识点，是学好爬虫的基础课程。
提示：以下是本篇文章正文内容，下面案例可供参考
建议把代码复制到编译工具中运行跑几次，认真看一下输出结果方便更好的理解, beautifulsoup4=4.11.1
二、from bs4 import BeautifulSoup
1.pip install beautifulsoup4
pip install beautifulsoup4 -i https://pypi.tuna.tsinghua.edu.cn/simple
2.Beautiful用法介绍
2.1 解析html源码创建创建Beautifulsoup对象
from bs4 import BeautifulSoup
web_html = """
<html>
<head>
<title id="title">The Dormouse's story1</title>
</head>
<body>
<p class="story">
<a href="http://example.com/elsie1" class="link11" id="link1">EXI-XZ</a>,
<a href="http://example.com/elsie2" class="link11" id="link2">Elsie</a>,
<a href="http://example.com/lacie" class="link22" id="link3">Lacie</a> and
<a href="http://example.com/tillie" class="link33" id="link4">Tillie</a>;
</p>
<ul class="ul_test", id="abc">
<li class="li_test" href="http://example.com/li">AA</li>
<li class="li_test" href="http://example.com/li">BB</li>
<li class="li_test" href="http://example.com/li">CC</li>
</ul>
<div class="div_test">
<p>div模块-p标签</p>
</div>
</body>
</html>
"""
soup = BeautifulSoup(web_html, 'lxml') # 解析网页源码创建Beautifulsoup对象
2.2 beautiful对象的常用属性和方法
web_html = soup.prettify() # 返回格式化后的源码，str类型
title_tag = soup.title # 返回源码中第一个title标签(源码)，element.Tag类型
print('title_tag:', title_tag, type(title_tag))
title_content = soup.title.string # 提取title标签的文本, element.NavigableString，下面有多个标签内容则返回None
print('title_content:', title_content, type(title_content))
all_p_content = soup.body.get_text() # 提取body下面的所有p标签，str类型
print('all_p_content:', all_p_content, type(all_p_content))
a_href = soup.a['href'] # 提取第一个a标签的href属性，str类型
print("a_href:", a_href, type(a_href))
2.3 find、find_all、CSS选择器 根据条件提取元素
# find -- 返回符合查询条件的第一个标签
# 组合条件一
find_group_result = soup.find(name='a', string='EXI-XZ') # name(标签名)，string(标签的文本),element.Tag类型
print('find_group_result:', find_group_result, type(find_group_result))
# 组合条件二，推荐第二种方式，字典方式key，value
find_attrs_result = soup.find(attrs={'class': 'link11', 'id': 'link1'}) # 指定属性,element.Tag类型,
print('find_attrs_result:', find_attrs_result, type(find_attrs_result))
find_attrs_result.get('href') # 获取该对象的属性href
find_attrs_result.text # 获取该对象标签的文本,不同于find_attrs_result.string，下面有多个标签会全部返回而不是None
find_ul_result = soup.find(attrs={'class': "ul_test", 'id': 'abc'})
print('ul_tag_result:', find_ul_result.text, type(find_ul_result)) # element.Tag
# find_all -- 返回符合查询条件的所有标签， list类型
find_li_list = soup.find_all(name='li', attrs={'class': "li_test"}, limit=2) # limit(返回前两个标签)
find_li_list[0].attrs # 提取标签的所有属性
# CSS选择器 -- list类型
div_tag = soup.select('div,.div_test') # 取class为"div_test"的div标签，list类型, #=id .=class
print('div_tag:', div_tag, type(div_tag))
div_tag = soup.select('div[class="div_test"]') # 等同于soup.select('div,.div_test')
print('div_tag:', div_tag, type(div_tag))
print("div下p标签的文本:", div_tag[0].select("p")[0].text) # 取div中的第一个p标签的文本
3.常用代码
import requests
from bs4 import BeautifulSoup
url = "xxxxxxxxxxxxxxxxx"
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36'}
response = requests.get(url=url, headers=headers)
web_html = response.text
soup = BeautifulSoup(web_html, 'lxml') # 解析网页源码创建Beautifulsoup对象
4.对象类型介绍
BeautifulSoup4四大对象种类
bs4.element.Tag 通俗点讲就是HTML中的一个个标签，有很多属性和方法可以更加详细的提取内容
NavigableString 得到了标签源码，通过对象的属性和方法可以提取标签内部文字(.string)和属性(xx['class'])
BeautifulSoup 表示一个文档的全部内容.
Comment 一个特殊类型的NavigableString对象，其输出的内容不包括注释符号。
总结
小洲提示：建议把代码复制到编译工具中运行跑几次，认真看一下输出结果方便更好的理解, beautifulsoup4=4.11.1
以上就是今天要讲的内容，本文仅仅简单介绍了beautifulsoup4解析web源码的使用，而beautifulsoup4提供了大量能使我们快速便捷地处理数据的函数和方法，后续有关于beautifulsoup4的常用代码会在这篇博客中持续更新。
Beautifulsoup4官方文档:https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/