02-3解析BeautifulSoup

一、基本简介

  1. BeautifulSoup简称:bs4
  2. 什么是BeatifulSoup?
     BeautifulSoup,和lxml一样,是一个html的解析器,主要功能也是解析和提取数据
  3. 优缺点?
     缺点:效率没有lxml的效率高
     优点:接口设计人性化,使用方便

二、安装以及创建

  1. 安装
pip install bs4
  1. 导入
from bs4 import BeautifulSoup
  1. 创建对象
  • 服务器响应的文件生成对象
soup = BeautifulSoup(response.read().decode(), 'lxml')
  • 本地文件生成对象
soup = BeautifulSoup(open('1.html'), 'lxml')

注意:默认打开文件的编码格式gbk所以需要指定打开编码格式

三、节点定位

  1. 根据标签名查找节点
    soup.a 【注】只能找到第一个a
      soup.a.name
      soup.a.attrs

  2. 函数
    (1)find(返回一个对象)
      find('a'):只找到第一个a标签
      find('a', title='名字')
      find('a', class_='名字')

(2)find_all(返回一个列表)
  find_all('a') 查找到所有的a
  find_all(['a', 'span']) 返回所有的a和span
  find_all('a', limit=2) 只找前两个a
(3)select(根据选择器得到节点对象)【推荐】

02-3解析BeautifulSoup_第1张图片
4.节点信息
02-3解析BeautifulSoup_第2张图片

本地文件

DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>Titletitle>
head>
<body>

    <div>
        <ul>
            <li id="l1">张三li>
            <li id="l2">李四li>
            <li>王五li>
            <a href="" id="" class="a1">尚硅谷a>
            <span>嘿嘿嘿span>
        ul>
    div>


    <a href="" title="a2">百度a>

    <div id="d1">
        <span>
            哈哈哈
        span>
    div>

    <p id="p1" class="p1">呵呵呵p>
body>
html>

爬虫文件



from bs4 import BeautifulSoup


# 通过解析本地文件 来将bs4的基础语法进行讲解
# 默认打开的文件的编码格式是gbk 所以在打开文件的时候需要指定编码
soup = BeautifulSoup(open('075_尚硅谷_爬虫_解析_bs4的基本使用.html',encoding='utf-8'),'lxml')

# 根据标签名查找节点
# 找到的是第一个符合条件的数据
# print(soup.a)
# 获取标签的属性和属性值
# print(soup.a.attrs)

# bs4的一些函数
# (1)find
# 返回的是第一个符合条件的数据
# print(soup.find('a'))

# 根据title的值来找到对应的标签对象
# print(soup.find('a',title="a2"))

# 根据class的值来找到对应的标签对象  注意的是class需要添加下划线
# print(soup.find('a',class_="a1"))


# (2)find_all  返回的是一个列表 并且返回了所有的a标签
# print(soup.find_all('a'))

# 如果想获取的是多个标签的数据 那么需要在find_all的参数中添加的是列表的数据
# print(soup.find_all(['a','span']))

# limit的作用是查找前几个数据
# print(soup.find_all('li',limit=2))


# (3)select(推荐)
# select方法返回的是一个列表  并且会返回多个数据
# print(soup.select('a'))

# 可以通过.代表class  我们把这种操作叫做类选择器
# print(soup.select('.a1'))

# print(soup.select('#l1'))


# 属性选择器---通过属性来寻找对应的标签
# 查找到li标签中有id的标签
# print(soup.select('li[id]'))

# 查找到li标签中id为l2的标签
# print(soup.select('li[id="l2"]'))


# 层级选择器
#  后代选择器
# 找到的是div下面的li
# print(soup.select('div li'))

# 子代选择器
#  某标签的第一级子标签
# 注意:很多的计算机编程语言中 如果不加空格不会输出内容  但是在bs4中 不会报错 会显示内容
# print(soup.select('div > ul > li'))


# 找到a标签和li标签的所有的对象
# print(soup.select('a,li'))

# 节点信息
#    获取节点内容
# obj = soup.select('#d1')[0]
# 如果标签对象中 只有内容 那么string和get_text()都可以使用
# 如果标签对象中 除了内容还有标签 那么string就获取不到数据 而get_text()是可以获取数据
# 我们一般情况下  推荐使用get_text()
# print(obj.string)
# print(obj.get_text())

# 节点的属性
# obj = soup.select('#p1')[0]
# name是标签的名字
# print(obj.name)
# 将属性值左右一个字典返回
# print(obj.attrs)

# 获取节点的属性
obj = soup.select('#p1')[0]

print(obj.attrs.get('class'))
print(obj.get('class'))
print(obj['class'])

你可能感兴趣的:(爬虫,beautifulsoup)