Beautiful Soup库 解析HTML页面

pip install beautifulsoup4


1
2
3
4
5
6
7
8
9
10
11
12
13
14
BeautifulSoup库的初次使用方法
# 解析格式化html树
import requests
from bs4 import BeautifulSoup

url = "http://python123.io/ws/demo.html"
try:
    r = requests.get(url)
    r.raise_for_status()
    demo = r.text  #网页的源代码
    soup = BeautifulSoup(demo, 'html.parser')
    print(soup.prettify())
except:
    print("爬取失败")
1
2
3
4
5
6
Beautiful Soup库是解析、遍历、维护“标签树”的功能库

Beautiful Soup库引用方式：
from bs4 import BeautifulSoup
soup1 = BeautifulSoup("<html>data</html>", 'html.parser')  #(文档内容, 解析器)
soup2 = BeautifulSoup(open("D://demo.html"), 'html.parser')  #BeautifulSoup对应一个HTML/XML文档的全部内容

BeautifulSoup库解析器 使用方法 条件
bs4的HTML解析器 BeautifulSoup(mk, ‘html.parser’) 安装bs4库
lxml的HTML解析器 BeautifulSoup(mk, ‘lxml’) pip install 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 说明
Tag 标签，分别用<>和</>表明开头和结尾，返回标签及其内容
Name 标签的名字，

…

的名字是’p’（字符串类型），格式：.name
Attributes 标签的属性，字典形式组织，格式：.attrs
NavigableString 标签内非属性字符串，<>…</>中的字符串，格式：.string
Comment 标签内字符串的注释部分，一种特殊的Comment类型，格式：.string

Tag标签：HTML语法中的标签都可以用soup.访问获得，当文档中存在多个相同的对应的内容是，soup.返回第一个

NavigableString：可以跨越多个层次

NavigableString和Comment都是.string，判断是非属性字符串还是注释要用type()判断

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
import requests
from bs4 import BeautifulSoup

url = 'http://python123.io/ws/demo.html'
try:
    r = requests.get(url)
    r.raise_for_status()
    demo = r.text  #页面的源代码保存在demo
    print("页面源代码：\n", demo)

    soup = BeautifulSoup(demo, 'html.parser')  #熬一碗鲜美的汤
    print("格式化树：\n", soup)

    print("titlt标签：\n", soup.title)
    print("a标签：\n", soup.a)

    print("a标签的名字：\n", soup.a.name)
    print("a标签父亲的名字：\n", soup.a.parent.name)
    print("a标签的父亲的父亲的名字：\n", soup.a.parent.parent.name)

    tag = soup.a
    print("tag标签的全部属性：\n", tag.attrs)
    print("tag标签的类型：\n", type(tag))
    print("tag.attrs的类型：\n", type(tag.attrs))  #字典类型
    print("class属性：\n", tag.attrs['class'])
    print("href属性：\n", tag.attrs['href'])

    print("a标签：\n", soup.a)
    print("a标签内非属性字符串：\n", soup.a.string)
    print("p标签：\n", soup.p)
    print("p标签内的非属性字符串：\n", soup.p.string)  #NavigableString可以跨越多个层次
    print("类型：\n", type(soup.p.string))

    soup2 = BeautifulSoup("<b><!--A This is a comment--></b><p>B This is a comment</p>", 'html.parser')
    print("soup2.b.string:\n", soup2.b.string)
    print("类型：", type(soup2.b.string))
    print("soup2.p.string:\n", soup2.p.string)
    print("类型：", type(soup2.p.string))
except:
    print("爬取失败")

基于bs4库的HTML内容遍历方法


标签树的下行遍历（BeautifulSoup类型是标签树的根节点）

属性 说明
.contents 子节点的列表，将所有儿子节点存入列表（包括\n）
.children 子节点的迭代类型，与.contents类似，用于循环遍历儿子节点
.descendants 子孙节点的迭代类型，包含所有的子孙节点，用于循环遍历

标签树的上行遍历

属性 说明
.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

标签树的平行遍历

属性 说明
.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 迭代类型，返回按照HTML文本顺序的后续所有平行节点标签
.previous_siblings 迭代类型，返回按照HTML文本顺序的前续所有平行节点标签【】

  • 平行遍历：包含\n

  • naviablestring也构成标签树的节点，所以平行遍历获得的下一个标签不一定是标签类型

  • 平行遍历发生在同一个父节点下的各个节点间

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
# 基于bs4库的HTML内容遍历方法
import requests
from bs4 import BeautifulSoup

url = 'http://python123.io/ws/demo.html'
try:
    r = requests.get(url)
    r.raise_for_status()
    soup = BeautifulSoup(r.text, 'html.parser')
    print(soup)

    # 标签树的下行遍历知识点
    print("soup.head:\n", soup.head)
    print("soup.head的子列表：\n", soup.head.contents)
    print("soup.body的子列表：\n", soup.body.contents)
    print("长面的子列表长度为：\n", len(soup.body.contents))  #包括换行
    print("soup.body.contents[1]:\n", soup.body.contents[1])

    print("------------------------------------------------------")

    # 标签树的下行遍历 遍历儿子节点
    for child in soup.body.children:
        print(child)

    print("------------------------------------------------------")

    for child in soup.body.descendants:
        print("*HZB*", child)

    print("------------------------------------------------------")

    # 标签树的上行遍历知识点
    print("soup.title.parent:\n", soup.title.parent)
    print("soup.html.parent:\n", soup.html.parent)
    print("soup.parent:\n", soup.parent)

    # 上行遍历遍历所有先辈节点，包括soup本身，所以要区别判断
    for parent in soup.a.parents:
        if parent is None:
            print(parent)
        else:
            print(parent.name)

    # 平行遍历知识点
    print("soup.a.next_sibling:\n", soup.a.next_sibling)
    print("soup.a.next_sibling.next_sibling:\n", soup.a.next_sibling.next_sibling)
    print("soup.a.previous_sibling:\n", soup.a.previous_sibling)
    print("soup.a.previous_sibling.previous_sibling:\n", soup.a.previous_sibling.previous_sibling)
    print("soup.a.parent:\n", soup.a.parent)

    # 平行遍历 遍历后续节点
    print("----")
    for sibling in soup.a.next_siblings:
        print(sibling)

    # 平行遍历 遍历前序节点
    print("----")
    for sibling in soup.a.previous_siblings:
        print(sibling)
    print("----")
except:
    print("爬取失败")

bs4库的prettify()方法可以格式化html代码，它会为HTML文本<>及其内容怎加'\n'，python3默认支持utf-8编码，bs4库将任何HTML输入都编程utf-8编码 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
# bs库的prettify()方法格式化代码
import requests
from bs4 import BeautifulSoup

url = 'http://python123.io/ws/demo.html'
try:
    r = requests.get(url)
    r.raise_for_status()
    soup = BeautifulSoup(r.text, 'html.parser')
    print("格式化代码：\n", soup.prettify())
    print("----------")
    print("标签格式化：\n", soup.a.prettify())
    print("----------")
    soup2 = BeautifulSoup("<p>中文</p>", 'html.parser')
    print(soup2.p.prettify())
except:
    print("爬取失败")