Python编程之HTML解析方法

叁歲伎倆 2024-03-25 03:13 93阅读 0赞

![f4cc8e26a7e900e11c2c564bfa15c277.jpeg][]

转自：[微点阅读][Link 1] [https://www.weidianyuedu.com][Link 1]

一、强大的[BeautifulSoup][]：[BeautifulSoup][]是一个可以从html或xml文件中提取数据的Python库。它能够通过你喜欢的转换器实现惯用的文档导航、查找、修改文档的方式。在Python开发中，主要用的是BeautifulSoup的查找提取功能，修改功能很少使用

1、安装BeautifulSoup

pip3 install beautifulsoup4

2、安装第三方html解析器[lxml][]

pip3 install lxml

3、安装纯Python实现的html5lib解析器

pip3 install html5lib

二、BeautifulSoup的使用：

1、导入bs4库

frombs4 import BeautifulSoup \#导入bs4库

2、创建包含html代码的字符串

html\_str= """

<html><head><title>TheDormouse"s story</title></head>

<body>

<pclass="title"><b>The Dormouse"s stopy</b></p>

<pclass="story">Once upon a time there were three littlesisters;and their names where

<ahref="[http://example.com/elsie"][http_example.com_elsie] class="sister"id="link1"></a>

"""

3、创建BeautifulSoup对象

（1）直接通过字符串方式创建

soup= BeautifulSoup(html\_str,"lxml")\#html.parser是解析器，也可是lxml

print(soup.prettify())------>输出soup对象的内容

（2）通过已有的文件来创建

soup= BeautifulSoup(open("/home/index.html"),features="html.parser")\#html.parser是解析器，也可是lxml

4、BeautifulSoup对象的种类：BeautifulSoup将复杂HTML文档转换成一个复杂的树形结构，每个节点都是Python对象

（1）BeautifulSoup：表示的是一个文档的全部内容。大部分时候，可以把它当作Tag对象，是一个特殊的Tag，因为BeautifulSoup对象并不是真正的HTML和[XML][]，所以没有name和attribute属性

（2）Tag：与XML或HTML原生文档中的Tag相同，通俗讲就是标记

如：

抽取title：print（soup.title）

抽取a：print（soup.a）

抽取p：print（soup.p）

Tag中有两个重要的属性：name和attributes。每个Tag都有自己的名字，通过.name来获取

print（soup.title.name）

操作Tag属性的方法和操作字典相同

如：<pclass=’p1’>Hello World</p>

print（soup.p\[‘class’\]）

也可以直接“点”取属性，如 .attrs获取Tag中所有属性

print（soup.p.attrs）

（3）NavigableString：获取标记内部的文字.string

BeautifulSoup用NavigableString类来封装Tag中的字符串，一个NavigableString字符串与Python中的Unicode字符串相同，通过unicode（）方法可以直接将NavigableString对象转换成Unicode字符串

如：u\_string= unicode(soup.p.string)

（4）Comment：对于一些特殊对象，如果不清楚这个标记.string的情况下，可能造成数据提取混乱。因此在提取字符串时，可以判断下类型：

if type(soup.a.string) == bs4.element.Comment:

print(soup.a.string)

5、遍历文档

（1）子节点：

A、对于直接子节点可以通过.contents和 .children来访问

.contents---->将Tag子节点以列表的方式输出

print（soup.head.contents）

.children----->返回一个生成器，对Tag子节点进行循环

for child in soup.head.children:

print（child）

B、获取子节点的内容

.string --->如果标记里没有标记了，则返回内容；如果标记里只有一个唯一的标记，则返回最里面的内容；如果包含多个子节点，Tag无法确定.string方法应该返回哪个时，则返回None

.strings---->主要应用于Tag中包含多个字符串的情况，可以进行循环遍历

for str in soup.strings:

print（repr(str)）

.stripped\_string----->可以去掉字符串中包含的空格或空行

for str in soup.stripped\_strings:

print(repr(str))

（2）父节点

A、通过.parent属性来获取某个元素的父节点，如：

print（soup.title.parent）

B、通过.parents属性可以递归得到元素的所有父辈节点

for parent in soup.a.parents:

if parent is None:

print(parent)

else:

print(parent.name)

（3）兄弟节点

.next\_sibling----->获取该节点的下一个兄弟节点

.previous\_sibling ----->获取该节点的上一个兄弟节点

（4）前后节点

.next\_elements ----->获得该节点前面的所有节点

.previous\_elements ----->获得该节点后面的所有节点

6、搜索文档树

（1）find\_all(name,attrs,recursive,text,\*\*kwargs)

A、name参数：查找名字为name的标记

print（soup.find\_all(‘‘’’b)）

B、text参数：查找文档中字符串的内容

C、recursive参数：检索当前Tag的所有子孙节点时，若只想找直接子节点， 该参数设置为False

7、CSS选择器：使用soup.select()函数

（1）通过标记名查找

print（soup.select("title")）

（2）通过Tag的class属性值查找

print（soup.select(".sister")）

（3）通过Tag的id属性值查找

print（soup.select("\#sister")）

（4）通过是否存在某个属性查找

print（soup.select("a\[href\]")）

（5）通过属性值查找

print（soup.select("a\[href=""\]")）

[f4cc8e26a7e900e11c2c564bfa15c277.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/03/25/a7e55331f9db41638fc341bfd73fa045.png
[Link 1]: https://www.weidianyuedu.com/
[BeautifulSoup]: https://so.csdn.net/so/search?q=BeautifulSoup&spm=1001.2101.3001.7020
[lxml]: https://so.csdn.net/so/search?q=lxml&spm=1001.2101.3001.7020
[http_example.com_elsie]: http://example.com/elsie
[XML]: https://so.csdn.net/so/search?q=XML&spm=1001.2101.3001.7020