日本免费高清视频-国产福利视频导航-黄色在线播放国产-天天操天天操天天操天天操|www.shdianci.com

學無先后，達者為師

網站首頁 編程語言 正文

Python?Beautiful?Soup模塊使用教程詳解_python

作者：Thunderclap_ ? 更新時間： 2023-06-13 編程語言

一、模塊簡介

Beautiful Soup 是一個可以從HTML或XML文件中提取數據的Python庫.它能夠通過你喜歡的轉換器實現慣用的文檔導航,查找,修改文檔的方式.Beautiful Soup會幫你節省數小時甚至數天的工作時間.

二、方法利用

1、引入模塊

# 引入
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    class="sister" id="link1">Elsie</a>,
<a    class="sister" id="link2">Lacie</a> and
<a    class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc, 'html.parser')

四種解析器

2、幾個簡單的瀏覽結構化數據的方法

#獲取Tag，通俗點就是HTML中的一個個標簽

#獲取Tag，通俗點就是HTML中的一個個標簽
soup.title                    # 獲取整個title標簽字段：<title>The Dormouse's story</title>
soup.title.name               # 獲取title標簽名稱  ：title
soup.title.parent.name        # 獲取 title 的父級標簽名稱：head
soup.p                        # 獲取第一個p標簽字段：<p class="title"><b>The Dormouse's story</b></p>
soup.p['class']               # 獲取第一個p中class屬性值：title
soup.p.get('class')           # 等價于上面
soup.a                        # 獲取第一個a標簽字段
soup.find_all('a')            # 獲取所有a標簽字段
soup.find(id="link3")         # 獲取屬性id值為link3的字段
soup.a['class'] = "newClass"  # 可以對這些屬性和內容等等進行修改
del bs.a['class']             # 還可以對這個屬性進行刪除
soup.find('a').get('id')      # 獲取class值為story的a標簽中id屬性的值
soup.title.string             # 獲取title標簽的值  ：The Dormouse's story

三、具體利用

1、獲取擁有指定屬性的標簽

方法一：獲取單個屬性
soup.find_all('div',id="even")            # 獲取所有id=even屬性的div標簽
soup.find_all('div',attrs={'id':"even"})    # 效果同上
方法二:
soup.find_all('div',id="even",class_="square")            # 獲取所有id=even并且class=square屬性的div標簽
soup.find_all('div',attrs={"id":"even","class":"square"})    # 效果同上

2、獲取標簽的屬性值

方法一：通過下標方式提取
for link in soup.find_all('a'):
    print(link['href'])        //等同于 print(link.get('href'))
方法二：利用attrs參數提取
for link in soup.find_all('a'):
    print(link.attrs['href'])

3、獲取標簽中的內容

divs = soup.find_all('div')        # 獲取所有的div標簽
for div in divs:                   # 循環遍歷div中的每一個div
    a = div.find_all('a')[0]      # 查找div標簽中的第一個a標簽      
    print(a.string)              # 輸出a標簽中的內容
如果結果沒有正確顯示，可以轉換為list列表

4、stripped_strings

去除\n換行符等其他內容 stripped_strings

divs = soup.find_all('div')
for div in divs:
    infos = list(div.stripped_strings)        # 去掉空格換行等
    bring(infos)

四、輸出

1、格式化輸出prettify()

prettify() 方法將Beautiful Soup的文檔樹格式化后以Unicode編碼輸出,每個XML/HTML標簽都獨占一行

markup = '<a         >I linked to <i>example.com</i></a>'
soup = BeautifulSoup(markup)
soup.prettify()
# '<html>\n <head>\n </head>\n <body>\n  <a         >\n...'
print(soup.prettify())
# <html>
#  <head>
#  </head>
#  <body>
#   <a         >
#    I linked to
#    <i>
#     example.com
#    </i>
#   </a>
#  </body>
# </html>

2、get_text()

如果只想得到tag中包含的文本內容,那么可以調用 get_text() 方法,這個方法獲取到tag中包含的所有文版內容包括子孫tag中的內容,并將結果作為Unicode字符串返回:

markup = '<a         >\nI linked to <i>example.com</i>\n</a>'
soup = BeautifulSoup(markup)
soup.get_text()
u'\nI linked to example.com\n'
soup.i.get_text()
u'example.com'

原文鏈接：https://blog.csdn.net/Thunderclap_/article/details/128948135

  • 上一篇：沒有了
  • 下一篇：沒有了
欄目分類
最近更新