BeautifulSoup库

时间：2022-01-18 20:00:39
'''灵活又方便的网页解析库，处理高效，支持多种解析器。利用它不用编写正则表达式即可方便的实现网页信息的提取。'''

BeautifulSoup库包含的一些解析库：

解析库　　　　　　使用方法　　　　　　　　　　　　　　优势　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　劣势

python标准库　　　BeautifulSoup(markup,"html.parser")　　python内置标准库、执行速度适中、文档容错能力强　　　　　　　　　python 2.7.0 or 3.2.2前的版本中文容错能力差

lxml HTML解析库　 BeautifulSoup(markup,"lxml")　　　　　 速度快、文档容错能力强　　　　　　　　　　　　　　　　　　　　　需要安装C语言库

lxml XML解析库　　BeautifulSuop(markup,"xml")　　　　　  速度快、唯一支持XML的解析库　　　　　　　　　　　　　　　　　　需要安装C语言库

html5lib　　　　　   BeautifulSoup(markup,"html5lib")　　　  最好的容错性、以浏览器的方式解析文档、生成HTML5格式的文档　　　速度慢、不依赖外部扩展

'''基本使用'''
html = '''
<html lang="zh-cn">
<head>
<title>翱游 - 博客园</title>
</head>
<body>
<p class="tab" name="morning">
    good night
    <a name="top" href="http://www.123.com">
        <span>wisir</span>
    </a>
    <a href="hello.cn">hh</a>
    <a href="man.cn">man</a>
</p>
<p class="cp" name="dromouse">hello,world</p>
<p>...</p>
'''
from bs4 import BeautifulSoup
soup = BeautifulSoup(html,"lxml")
print(soup.prettify())  #自动格式化输出与补全代码

'''标签选择器'''
print("-标签选择器-"*20)
#选择元素：返回匹配的第一个元素
print(type(soup.title),soup.title)
print(soup.p)
#获取名称
print(soup.title.name)
#获取属性
print(soup.p.attrs['name'])
print(soup.p['name'])
#获取内容
print(soup.title.string)
#嵌套选择
print(soup.head.title.string)
#子节点和子孙节点
print(soup.p.contents)  #返回以子节点为元素的列表
print(soup.p.children)  #.children得到的是一个迭代器对象，.contents得到的是一个列表
for i,child in enumerate(soup.p.children):
    print(i,child)
print(soup.p.descendants)   #.descendants获取所有的子孙节点
for i,child in enumerate(soup.p.descendants):
    print(i,child)
#父节点和祖先结点
print(soup.a.parent)    #输出父节点
print(list(enumerate(soup.a.parents)))  #输出祖先结点，层层向上
#兄弟节点
print(list(enumerate(soup.a.next_siblings)))    #输出所有的后兄弟节点
print(list(enumerate(soup.a.previous_siblings)))    #输出所有的前兄弟节点

'''find_all(name,attrs,recursive,text,**kwargs)：可根据标签名、属性、内容查找文档'''
print("-find_all-"*20)
html = '''
<div class="panel">
    <div class="panel-heading">
        <h4>Hello</h4>
    </div>
    <div class="panel-body">
        <ul class="list" id="list-1" name="element">
            <li class="element">Foo</li>
            <li class="element">Bar</li>
            <li class="element">Jay</li>
        </ul>
        <ul class="list list-small" id="list-2">
            <li class="element">Foo</li>
            <li class="element">Bar</li>
        </ul>
    </div>
</div>
'''
soup = BeautifulSoup(html,"lxml")
#name
print(soup.find_all('ul'))
print(type(soup.find_all("ul")[0]))
#attrs
print(soup.find_all(attrs={"id":"list-1"}))
print(soup.find_all(attrs={"name":"element"}))
#text
print(soup.find_all(text="Foo"))

'''find(name,attrs,recursive,text,**kwargs)：返回find_all方法的第一个元素'''
print(soup.find("ul"))

'''
find_parents()与find_parents
find_next_siblings()与find_next_sibling()
find_previous_siblings()与find_previous_sibling()
find_all_next()与find_next()
find_all_previous()和find_previous()
同find_all()与find()
'''

'''CSS选择器'''
print("-CSS选择器-"*20)
#通过select直接传入CSS选择器即可完成选择，返回符合要求的所有结果为元素的列表
print(soup.select('.panel .panel-heading')) #类选择器前加.，层级选择器之间加空格
print(soup.select('ul li'))
print(soup.select('#list-2 .element'))
print(type(soup.select('ul')[0]))
#获取属性
for ul in soup.select('ul'):
    print(ul['id'])
    print(ul.attrs['id'])
#获取内容
for li in soup.select('li'):
    print(li.get_text())

'''
总结：
推荐使用lxml解析库，必要时使用html.parser
标签选择筛选功能弱但是速度快
建议使用find()、find_all()查询匹配单个结果或多个结果
如果对CSS选择器熟悉建议使用select()
记住常用的获取属性和文本值的方法
'''

相关文章