Python BautifulSoup
万里顾一程 人气:01、获取节点的内容
获取节点内容:
如果要获得节点中的文本内容,可以用 string 或 get_text()
- string:只能获得节点中的文本内容,如果节点中有子孙节点,string就获取不到内容,返回 None
- get_text() 推荐使用:获取到节点中包含的所有内容包括子孙节点中的内容
- 可以使用get_text() 方法快速得到源文件中的所有文本内容,如 soup.get_text()
使用实例:
待解析的html文本文件如下:id为al的p标签有子孙节点,id为bl的span标签没有子孙节点
<!DOCTYPE html> <html lang="en"> <head> <title>test</title> </head> <body> <p class="title"/> <a href="http://localhost:8080" rel="external nofollow" rel="external nofollow" rel="external nofollow" /> <div> <p class="story" id="al"> <a class="s1" href="www.baidu.com" rel="external nofollow" id="l1">a1</a> <a class="s2" href="" id=" rel="external nofollow" rel="external nofollow" l2">a2</a> <a class="s3" href="" id=" rel="external nofollow" rel="external nofollow" l3">a3</a> <span>span</span> </p> <span id="bl"> 方唐镜 </span> </div> </body> </html>
使用实例1:对p标签和span标签进行解析,打印里面的内容
from bs4 import BeautifulSoup #使用 lxml 解析器 soup = BeautifulSoup(open('test.html',encoding='utf-8'),'lxml') list = soup.select('#al')[0] print(list.string) print(list.get_text())
执行结果及说明:
用string获取p标签的文本内容,因为p标签有子孙节点,所以返回None;
get_text()获取p标签的文本内容,返回p标签及子孙节点中的文本内容;
None # 用 a1 a2 a3
使用实例2:对span标签进行解析,打印里面的内容
span = soup.select('#bl')[0] print(span.string) print(span.get_text())
执行结果及说明:
string获取span标签的文本内容,因为span标签没有子孙节点,所以可以返回文本内容;
用get_text()获取span标签的文本内容,因为span标签没有子孙节点,所以只返回span标签的文本内容;
span
方唐镜
方唐镜
2、获取节点的名称
.name 获取节点的名称
待解析的html文本文件:
<!DOCTYPE html> <html lang="en"> <head> <title>test</title> </head> <body> <p class="title"/> <a href="http://localhost:8080" rel="external nofollow" rel="external nofollow" rel="external nofollow" /> <div> <span id="span" class="c1"> 方唐镜 </span> </div> </body> </html>
获取节点的属性实例:
from bs4 import BeautifulSoup #使用 lxml 解析器 soup = BeautifulSoup(open('test.html',encoding='utf-8'),'lxml') # 根据class选择器查找,返回第一个节点 obj = soup.select('.c1')[0] print(obj.name)
执行结果:该节点为span节点
span
3、获取节点的属性值
.attrs 获取获取节点的属性值,并以字典的形式返回
待解析的html文本文件:
<!DOCTYPE html> <html lang="en"> <head> <title>test</title> </head> <body> <p class="title"/> <a href="http://localhost:8080" rel="external nofollow" rel="external nofollow" rel="external nofollow" /> <div> <span id="span" class="c1"> 方唐镜 </span> </div> </body> </html>
获取节点的属性实例:
from bs4 import BeautifulSoup #使用 lxml 解析器 soup = BeautifulSoup(open('test.html',encoding='utf-8'),'lxml') # 根据class选择器查找,返回第一个节点 obj = soup.select('.c1')[0] print(obj.attrs)
执行结果:以字典的形式返回
{'id': 'span', 'class': ['c1']}
可以通过get方法获得字典里指定属性的属性值:有下面三种方法
# 获取class属性的属性值 #方式一(推荐) print(obj.attrs.get('class')) #方式二 print(obj.get('class')) #方式三 print(obj['class'])
执行结果:
['c1']
['c1']
['c1']
3、BS4具体使用
代码实例:获取所有饮品的名称·
import urllib.request from bs4 import BeautifulSoup from lxml import etree url = 'https://www.starbucks.com.cn/menu/' headers = { 'user-agent': 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.131 Safari/537.36 SLBrowser/8.0.0.2242 SLBChan/10' } # 定制请求,发送请求并返回响应对象和html文档 request = urllib.request.Request(url=url,headers=headers) response = urllib.request.urlopen(request) content = response.read().decode('utf-8') # 使用 lxml 解析器 soup = BeautifulSoup(content,'lxml') # 检索html文档,返回列表形式 name_list = soup.select('ul[class="grid padded-3 product"] strong') # 遍历打印 for name in name_list: print(name.string)
执行结果:
加载全部内容