1.  
  2. 主页
  3.  / 
  4. Python网络爬虫与信息提取
  5.  / 
  6. Beautiful Soup库的使用

Beautiful Soup库的使用

Beautiful Soup库的安装及基本使用

Beautiful Soup 是一个可以从 HTMLXML 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.Beautiful Soup 会帮你节省数小时甚至数天的工作时间。

安装Beautiful Soup:

Beautiful Soup使用的小例子:

Beautiful Soup库的基本元素

Beautiful Soup库解析器

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

上面的四种解析器,各有各的优缺点,下面就介绍以下它们的优缺点,方便大家根据实际的场景选择使用那种解析器

解析器优点缺点
bs4的HTML解析器Python内置标准库,执行速度适中、文档容错能力强Python2.7.3及3.2.2之前的版本文档容错能力差
lxml的HTML解析器速度快、文档容错能力强需要安装C语言库
lxml的XML解析器速度快、唯一支持XML的解析器需要安装C语言库
html5lib的解析器最后的容错性、以浏览器的方式解析文档、生成HTML5格式的文档速度慢、不依赖外部扩展

Beautiful Soup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标签内非属性的字符串,<>…</>中的字符串,格式:<tag>.string
Comment标签内字符串的注释部分,一种特殊的Comment类型

Beautiful Soup基本元素的演示

Tag

Name

Attributes

NavigableString

Comment

HTML内容遍历

标签树子孙遍历常用的方法

属性说明
.contents子节点的列表,将<tag>所有儿子节点存入列表
.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

实例演示:

.contents

.children

.descendants

标签树上行遍历常用的方法

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

实例演示:

.parent

.parents

标签树平行遍历常用的方法

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

实例演示:

.next_sibling

.previous_sibling

.next_siblings

.previous_siblings

基于bs4库的HTML格式输出

bs4库的prettify()方法,这个方法可以非常优美的HTML格式的代码输出出来。

此外还需要注意的一点是,bs4库会将它得到的数据全部转换为utf-8编码,因为Python3默认的编码就是utf-8,所以使用bs4库无障碍,但是若是你还是使用的Python2,则建议升级为Python3,否则就需要不断的去转换编码。

这篇文章对您有用吗?

我们要如何帮助您?

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注