标签：parse utf-8 .com HERE 标准库 属性 转换 容错 com
Beautiful Soup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，
是一个标签的形式，来进行查找的，有点像jquery的形式。提升效率，我们在进行爬虫开发的时候，进程会用到正则来进行查找过滤的操作，纯手动会及其浪费时间。
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 href="http://example.com/elsie" class="sister" id="link1">Elsie</a>, <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; and they lived at the bottom of a well.</p> <p class="story">...</p> """
这里先简单说明Beautiful Soup的查找方式，是一个标签树的形式。
在使用的时候实例化一个对象，这个对象就相当于整个html文件，将标签封装成对象的属性，查找的时候使用“.”
from bs4 import BeautifulSoup soup = BeautifulSoup(open("html_doc.html"),"lxml") #简单的操作 #打印html文件的title属性 #print(soup.title) #<title>The Dormouse‘s story</title> #打印标签的名字 # print(soup.title.name) #title # 打印标签的内容 # print(soup.title.string) #The Dormouse‘s story #打印soup中的p标签，但是这里是能找到的第一个 # print(soup.p) # <p class="title"><b>The Dormouse‘s story</b></p> #打印soup中的p标签class名字，但是这里是能找到的第一个 # print(soup.p[‘class‘],type(soup.p[‘class‘])) # [‘title‘] <class ‘list‘> #类型是个列表 # 打印soup中的a标签，但是这里是能找到的第一个 # print(soup.a) # <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a> #打印所有的a标签 # print(soup.find_all(‘a‘)) # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>] #打印id=link3的标签 # print(soup.find(id="link3")) # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a> #从文档中找到所有<a>标签的链接: # for link in soup.find_all(‘a‘): # print(link.get(‘href‘)) # http://example.com/elsie # http://example.com/lacie # http://example.com/tillie # 从文档中获取所有文字内容: # print(soup.get_text()) # The Dormouse‘s story # # The Dormouse‘s story # # Once upon a time there were three little sisters; and their names were # Elsie, # Lacie and # Tillie; # and they lived at the bottom of a well. # # ...
soup1 = BeautifulSoup(‘<b class="boldest">Extremely bold</b>‘,"lxml") tag = soup1.b # print(type(tag)) # <class ‘bs4.element.Tag‘>
# print(tag.name) # b # 如果改变了tag的name,那将影响所有通过当前Beautiful Soup对象生成的HTML文档: # tag.name = "blockquote" # print(tag) # <blockquote class="boldest">Extremely bold</blockquote>
一个tag可能有很多个属性. tag <b class="boldest"> 有一个 “class” 的属性,值为 “boldest” . tag的属性的操作方法与字典相同: # print(tag[‘class‘]) # [‘boldest‘] # 也可以直接”点”取属性, 比如: .attrs : # print(tag.attrs) # {‘class‘: [‘boldest‘]} # print(soup.a.attrs[‘class‘]) # [‘sister‘]
# tag的属性可以被添加,删除或修改. 再说一次, tag的属性操作方法与字典一样
# tag[‘class‘] = ‘verybold‘
# tag[‘id‘] = 1
# print(tag)
# <blockquote class="verybold" id="1">Extremely bold</blockquote>
# del tag[‘class‘]
# del tag[‘id‘]
# print(tag)
# <blockquote>Extremely bold</blockquote>
# tag[‘class‘]
# KeyError: ‘class‘
# print(tag.get(‘class‘))
# None
#.contents # tag的 .contents 属性可以将tag的子节点以列表的方式输出: # print(soup) #print(soup.contents) #这里打印的是整个html标签 #print("________") #print(soup.head.contents) #打印出来的是head下的列表，可以借助元组去重 ##[‘\n‘, <meta charset="utf-8"/>, ‘\n‘, <title>The Dormouse‘s story</title>, ‘\n‘] #print(len(soup.head.contents)) ##5 #print(soup.head.contents[1].name) ##meta
| 解析器 | 使用方法 | 优势 | 劣势 |
|---|---|---|---|
| Python标准库 | BeautifulSoup(markup, "html.parser") |
|
|
| lxml HTML 解析器 | BeautifulSoup(markup, "lxml") |
|
|
| lxml XML 解析器 |
|
|
|
| html5lib | BeautifulSoup(markup, "html5lib") |
|
|
标签：parse utf-8 .com HERE 标准库 属性 转换 容错 com
原文地址：https://www.cnblogs.com/taozizainali/p/9295117.html
