python爬虫学习笔记四:BeautifulSoup库对HTML文本进行操作

只要你提供的信息是标签,就可以很好的解析

怎么使用BeautifulSoup库?

from bs4 import BeautifulSoup
soup=BeautifulSoup('<p>data<p>','html.parser')

例如:

import requests
r=requests.get("http://python123.io/ws/demo.html")
r.text
demo=r.text
from bs4 import BeautifulSoup
soup=BeautifulSoup(demo,"html.parser")
print(soup.prettify())

                                                   BeautifulSoup类的基本元素

基本元素说明
Tag标签,最基本的信息组织单元,分别用<>和</>标明开头和结尾
Name标签的名字,<p>...</p>的名字是'p',格式:<tag>.name
Attributes标签的属性,字典形式组织,格式:<tag>.attrs
NavigableString标签内非属性字符串,<>...</>中字符串,格式:<tag>.string
Comment标签内字符串的注释部分,一种特殊的Comment类型

用法

tag=soup.a
tag.attrs
tag.attrs['class']
tag.string //标签内容

                                                            标签树的下行遍历

属性说明
.contents子节点的列表,将<tag>所有的儿子节点存入列表
.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,包含所有子孙节点,用于循环遍历

遍历儿子节点

for child in soup.body.children:
    print(child)

遍历子孙节点

for child in soup.body.descendants:
    print(child)

                                                          标签树的上行遍历

属性说明
.parent节点的父亲标签
.parents节点的先辈标签的迭代类型,用于循环遍历先辈节点

标签树的上行遍历代码(对a标签所有先辈标签的名字进行打印):

soup=BeautifulSoup(demo,"html.parser")
for parent in soup.a.parents:
    if parent is None:
            print(parent)
    else:
            print(parent.name)

                                                             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

平行遍历条件:平行遍历发生在同一个父节点下的各节点间

平行遍历的节点不一定是标签类型,可能是...String

迭代类型只能用在for in结构中

遍历后续节点

for sibling in soup.a.next_siblings:
    print(sibling)

遍历前续节点

for sibling in soup.a.previous_siblings:
    print(sibling)

prettify()方法

可以很好的对每个标签添加换行符,使结构清晰

soup=BeautifulSoup("<p>中文</p>","html.parser")
soup.p.string
print(soup.p.prettify())

 

已标记关键词 清除标记