python3解析库BeautifulSoup4的安装配置与基本用法

Python3解析库BeautifulSoup4的安装配置与基本用法

什么是BeautifulSoup4

BeautifulSoup4 是一个 HTML 或 XML 的解析库,可以将复杂的 HTML 或 XML 文档转换成一个树形结构,提供简单的、Python 风格的 API 来遍历文档。它可以解析 HTML 和 XML 标记文档,支持 HTML5 标准,同时还支持在其中查找标记、修改标签属性和添加新标记等操作,是爬虫中常用的一个库。

安装BeautifulSoup4

使用 pip 命令来安装 BeautifulSoup4,打开命令行,输入以下命令:

pip install beautifulsoup4

如果出现权限问题,使用管理员权限运行命令行窗口。

基本使用

首先导入 Beautiful Soup 库:

from bs4 import BeautifulSoup

解析静态 HTML 页面

使用 BeautifulSoup 类的 soup = BeautifulSoup(html_doc, 'html.parser') 方法解析静态 HTML 页面,其中 html_doc 是要解析的 HTML 页面。

例如:

from bs4 import BeautifulSoup

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>

<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""

soup = BeautifulSoup(html_doc, 'html.parser')
print(soup.prettify())

运行结果:

<html>
 <head>
  <title>
   The Dormouse's story
  </title>
 </head>
 <body>
  <p class="title">
   <b>
    The Dormouse's story
   </b>
  </p>
  <p class="story">
   Once upon a time there were three little sisters; and their names were
   <a class="sister" href="http://example.com/elsie" id="link1">
    Elsie
   </a>
   ,
   <a class="sister" href="http://example.com/lacie" id="link2">
    Lacie
   </a>
   and
   <a class="sister" href="http://example.com/tillie" id="link3">
    Tillie
   </a>
   ;
and they lived at the bottom of a well.
  </p>
  <p class="story">
   ...
  </p>
 </body>
</html>

使用 prettify() 方法可以打印出解析后的 HTML 页面的结构,更加清晰明了。

解析动态 HTML 页面

解析动态 HTML 页面需要使用 Python 的 Requests 库等第三方库来获取 HTML 代码。例如:

import requests
from bs4 import BeautifulSoup

url = 'https://www.zhihu.com/explore'

r = requests.get(url)
soup = BeautifulSoup(r.text, 'html.parser')
print(soup.prettify())

运行结果:

<!DOCTYPE doctype html>
<html data-theme="light" lang="zh">
 <head>
  <title>
   发现 - 知乎
  </title>
  <meta content="IE=edge,chrome=1" http-equiv="X-UA-Compatible"/>
  <meta content="default" name="apple-mobile-web-app-status-bar-style"/>
  <meta charset="utf-8"/>
  <meta content="yes" name="apple-mobile-web-app-capable"/>
...

可以看到,这样就可以获取到动态 HTML 页面的代码,然后通过 BeautifulSoup 进行解析。

BeautifulSoup4 常用方法

find 和 find_all

find() 方法可以搜索文档树,查找符合条件的第一个元素,例如:

from bs4 import BeautifulSoup

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>

<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""

soup = BeautifulSoup(html_doc, 'html.parser')
print(soup.find_all('a'))

运行结果:

[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

find_all() 方法可以查找文档中所有符合条件的元素,例如:

from bs4 import BeautifulSoup

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>

<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""

soup = BeautifulSoup(html_doc, 'html.parser')
for link in soup.find_all('a'):
    print(link.get('href'))

运行结果:

http://example.com/elsie
http://example.com/lacie
http://example.com/tillie

select

select() 方法可以支持一些 CSS 选择器的功能,例如:

from bs4 import BeautifulSoup

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>

<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""

soup = BeautifulSoup(html_doc, 'html.parser')
print(soup.select('title'))

运行结果:

[<title>The Dormouse's story</title>]

获取标签属性

使用标签对象的 tag['attribute'] 可以获取标签属性的值,例如:

from bs4 import BeautifulSoup

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>

<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""

soup = BeautifulSoup(html_doc, 'html.parser')
tag = soup.a
print(tag['href'])

运行结果:

http://example.com/elsie

修改标签属性和字符串

例如:

from bs4 import BeautifulSoup

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>

<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""

soup = BeautifulSoup(html_doc, 'html.parser')
soup.a['href'] = 'http://new-link.com'
soup.a.string = 'New Link'
print(soup.prettify())

运行结果:

<html>
 <head>
  <title>
   The Dormouse's story
  </title>
 </head>
 <body>
  <p class="title">
   <b>
    The Dormouse's story
   </b>
  </p>
  <p class="story">
   Once upon a time there were three little sisters; and their names were
   <a class="sister" href="http://new-link.com" id="link1">
    New Link
   </a>
   ,
   <a class="sister" href="http://example.com/lacie" id="link2">
    Lacie
   </a>
   and
   <a class="sister" href="http://example.com/tillie" id="link3">
    Tillie
   </a>
   ;
and they lived at the bottom of a well.
  </p>
  <p class="story">
   ...
  </p>
 </body>
</html>

以上就是 BeautifulSoup4 库的安装配置及基本用法的详细攻略。

本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:python3解析库BeautifulSoup4的安装配置与基本用法 - Python技术站

(0)
上一篇 2023年6月10日
下一篇 2023年6月10日

相关文章

  • html清除浮动的6种方法示例

    当html页面中有浮动元素时,可能会出现一些布局上的问题,比如父元素无法自适应高度,子元素位置错乱等,这时候需要使用清除浮动的方法来解决这些问题。本文将介绍6种常用的清除浮动的方法。下面将分别进行介绍: 1. 在父元素末尾添加空标签 这是一种比较简单的清除浮动的方法。在父元素的末尾添加一个空的标签,如下所示: <div class="pare…

    css 2023年6月10日
    00
  • vue中解决拖拽改变存在iframe的div大小时卡顿问题

    解决vue中拖拽iframe的div卡顿问题的技术方案如下: 技术方案概述 在Vue中,当页面包含iframe时,拖拽改变div大小容易出现卡顿现象,主要原因是iframe使用了iframe父元素的样式,而改变div大小会引起iframe内部大小的变化,从而导致性能问题。为了解决这个问题,可以使用Vue的ref属性和ResizeObserver对象来实现动态…

    css 2023年6月10日
    00
  • 实现css文字垂直居中的8种方法

    下面是“实现css文字垂直居中的8种方法”的完整攻略。 方法1:使用line-height属性 .container { height: 200px; line-height: 200px; } 这种方法适用于单行文字的垂直居中。通过将容器的line-height设置为容器的高度,文字就会垂直居中。 示例1: <div class="cont…

    css 2023年6月9日
    00
  • 使用jQuery mobile NuGet让你的网站在移动设备上同样精彩

    使用jQuery mobile NuGet将你的网站扩展到移动设备具有很大的优势。本攻略将为您提供详细的指导步骤,让你的网站在移动设备上能够更充分的发挥功能。 安装jQuery mobile NuGet 要在你的网站中使用jQuery mobile NuGet,你需要首先安装它。按照以下步骤完成安装: 打开你的项目,右键点击“引用”文件夹。 选择“管理NuG…

    css 2023年6月11日
    00
  • 详细解读CSS中的伪类after

    当我们想在某一个元素的内容之后加入一些特殊的样式时,可以使用伪类 ::after。在本文中,我们将详细解读 CSS 中的伪类 ::after 的使用方法和应用场景。 什么是伪类 ::after 伪类 ::after 是一种可以在元素的内容后面添加内容或样式的伪类,通常结合 content 属性来使用。它用于在一个元素的内部的最后一个子元素之后添加内容。 示例…

    css 2023年6月10日
    00
  • 详解CSS的table-layout属性的用法

    下面是详解CSS的table-layout属性的用法的完整攻略。 什么是table-layout属性? 在CSS中,table-layout属性用来控制HTML表格的自动调整方式。table-layout属性有两个可能的值:auto和fixed。 如果table-layout设置为auto,则浏览器会根据内容自动设置列宽和表格宽度,这通常会导致表格大小不一。…

    css 2023年6月10日
    00
  • 全面了解css行高line-height的用法

    在这里,我将为你详细讲解“全面了解CSS行高line-height的用法”的完整攻略。 什么是CSS的行高line-height CSS的行高line-height是应用于文本之间的间距,它指文本行的基线之间的距离。通常用于设置文本的行间距、行框的高度和垂直居中等。 行高有固定值和相对值两种。固定值是像素(px)、点数(pt)、英寸(inch)等单位,相对值…

    css 2023年6月9日
    00
  • 一文详解如何在Vue3中使用jsx/tsx

    一文详解如何在Vue3中使用jsx/tsx 在Vue 3 中,支持使用 JSX 和 TSX 语法来开发 Vue 组件。本文将详细讲解如何在 Vue 3 中使用 JSX 和 TSX 语法来编写组件。 注意:在使用开发环境前,请确保你已经正确安装好了 Vue 3 和相关依赖。 安装依赖 使用 JSX 和 TSX 语法来开发 Vue 组件,我们需要安装以下依赖: …

    css 2023年6月10日
    00
合作推广
合作推广
分享本页
返回顶部