BeautifulSoup常用语法有哪些
本篇内容主要讲解“BeautifulSoup常用语法有哪些”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“BeautifulSoup常用语法有哪些”吧!
解析库
BeautifulSoup默认支持Python的标准HTML解析库，但是它也支持一些第三方的解析库
| 解析库 | 使用方法 | 优势 | 劣势 |
|---|---|---|---|
| Python标准库 | BeautifulSoup(html,’html.parser’) | Python内置标准库；执行速度快 | 容错能力较差 |
| lxml HTML解析库 | BeautifulSoup(html,’lxml’) | 速度快；容错能力强 | 需要安装，需要C语言库 |
| lxml XML解析库 | BeautifulSoup(html,[‘lxml’,’xml’]) | 速度快；容错能力强；支持XML格式 | 需要C语言库 |
| htm5lib解析库 | BeautifulSoup(html,’htm5llib’) | 以浏览器方式解析，最好的容错性 | 速度慢 |
代码示例
demo html
<!DOCTYPE html>
<!--STATUS OK-->
<html>
<head>
<meta content="text/html;charset=utf-8" http-equiv="content-type"/>
<meta content="IE=Edge" http-equiv="X-UA-Compatible"/>
<meta content="always" name="referrer"/>
<link href="https://www.mdaima.com">创建beautifulsoup4对象
from bs4 import BeautifulSoup
soup = BeautifulSoup(html,"html.parser")
# 缩进格式
print(soup.prettify())
# 获取title标签的所有内容
print(soup.title)
#Output：<title>百度一下，你就知道 </title>
# 获取title标签的名称
print(soup.title.name)
#Output：title
# 获取title标签的文本内容
print(soup.title.string)
#Output：百度一下，你就知道
# 获取head标签的所有内容
print(soup.head)
# 获取第一个div标签中的所有内容
print(soup.div)
# 获取第一个div标签的id的值
print(soup.div["id"])
# 获取第一个a标签中的所有内容
print(soup.a)
# 获取所有的a标签中的所有内容
print(soup.find_all("a"))
# 获取id="u1"
print(soup.find(id="u1"))
# 获取所有的a标签，并遍历打印a标签中的href的值
for item in soup.find_all("a"):
print(item.get("href"))
# 获取所有的a标签，并遍历打印a标签的文本值
for item in soup.find_all("a"):
print(item.get_text())BeautifulSoup4四大对象种类
BeautifulSoup4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,所有对象可以归纳为4种:
Tag:通俗点讲就是HTML中的一个个标签
from soup4 import BeautifulSoup soup = BeautifulSoup(html,"html.parser") # 获取title标签的所有内容 print(soup.title) # 获取head标签的所有内容 print(soup.head) # 获取第一个a标签的所有内容 print(soup.a) # 类型 print(type(soup.a #soup 对象本身比较特殊，它的 name 即为 [document] print(soup.name) # head #对于其他内部标签，输出的值便为标签本身的名称 print(soup.head.name) # 在这里，我们把 a 标签的所有属性打印输出了出来，得到的类型是一个字典。 print(soup.a.attrs) #还可以利用get方法，传入属性的名称，二者是等价的 print(soup.a['class']) # soup.a.get('class') # 可以对这些属性和内容等等进行修改 soup.a['class'] = "newClass" print(soup.a) # 还可以对这个属性进行删除 del soup.a['class'] print(soup.a)NavigableString: 获取标签内部的文字用 .string 即可
print(soup.title.string) print(type(soup.title.string))BeautifulSoup: 表示的是一个文档的内容
print(type(soup.name)) print(soup.name) print(soup.attrs)Comment: 是一个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号。
print(soup.a) # 此时不能出现空格和换行符，a标签如下： # <a rel="nofollow" class="mnav" href="https://www.mdaima.com">
遍历文档树
.contents：获取Tag的所有子节点，返回一个list
# tag的.content 属性可以将tag的子节点以列表的方式输出
print(soup.head.contents)
# 用列表索引来获取它的某一个元素
print(soup.head.contents[1]).children：获取Tag的所有子节点，返回一个生成器
for child in soup.body.children:
print(child)搜索文档树
find_all(name, attrs, recursive, text, **kwargs)
并不是所有的属性都可以使用上面这种方式进行搜索，比如HTML的data-*属性，我们可以使用attrs参数，定义一个字典来搜索包含特殊属性的tag：
item_list = soup.find_all(attrs={"data-foo":"value"}) for item in item_list: print(item)通过text参数可以搜索文档中的字符串内容，与name参数的可选值一样。text参数接受 字符串，正则表达式，列表
item_list = soup.find_all(attrs={"data-foo": "value"}) for item in item_list: print(item) item_list = soup.find_all(text="hao123") for item in item_list: print(item) item_list = soup.find_all(text=["hao123", "地图", "贴吧"]) for item in item_list: print(item) item_list = soup.find_all(text=re.compile("d")) for item in item_list: print(item)传入一个limit参数来限制返回的数量
item_list = soup.find_all("a",limit=2) for item in item_list: print(item)limit参数
text参数
字符串过滤：会查找与字符串完全匹配的内容
正则表达式过：如果传入的是正则表达式，那么BeautifulSoup4会通过search()来匹配内容
列表： 如果传入一个列表，BeautifulSoup4将会与列表中的任一元素匹配到的节点返回
方法： 传入一个方法，根据方法来匹配
name参数
a_list = soup.find_all("a") print(a_list)item_list = soup.find_all(re.compile("a")) for item in item_list: print(item)item_list = soup.find_all(["meta","link"]) for item in item_list: print(item)def name_is_exists(tag): return tag.has_attr("name") item_list = soup.find_all(name_is_exists) for item in item_list: print(item)kwargs参数
# 查询id=head的Tag item_list = soup.find_all(id="head") print(item_list) # 查询href属性包含ss1.bdstatic.com的Tag item_list = soup.find_all(href="https://www.mdaima.com">attrs参数
find
返回符合条件的第一个Tag,即当我们要取一个值的时候就可以用这个方法
t = soup.div.div
# 等价于
t = soup.find("div").find("div")CSS选择器
通过标签名查找
print(soup.select('title'))
print(soup.select('a'))通过类名查找
print(soup.select('.mnav'))通过id查找
print(soup.select('#u1'))组合查找
print(soup.select('div .bri'))属性查找
print(soup.select('a[class="bri"]'))
print(soup.select('a[href="https://www.mdaima.com">获取内容
item_list = soup.select("title")
print(soup.select('title')[0].get_text())