import requests
from bs4 import BeautifulSoup #引入BeautifulSoup类
url = "https://python123.io/ws/demo.html"
r = requests.get(url)
print(r.status_code)
print("\n")
#demo = r.text #html格式信息
#soup = BeautifulSoup(demo,"html.parser")#使用html.parser对demo进行html解析
soup = BeautifulSoup(open(r"C:\Users\Administrator\Desktop\beautifulsoup\demo.html"))
print(soup.prettify())
BeautifulSoup库解析器
解析器 | 使用方法 | 条件 |
---|---|---|
bs4的HTML解析器 | beautiful(mk,”html.parser”) | 安装bs4库 |
lxml的HTML解析器 | BeautifulSoup(mk,”lxml”) | 安装lxml库 |
lxml的xml解析器 | BeautifulSoup(mk,”xml”) | 安装lxml库 |
html5lib的解析器 | BeautifulSoup(mk,”html5lib”) | 安装html5lib库 |
BeautifulSoup库的基本元素
基本元素 | 说明 |
---|---|
Tag | 标签,最基本的信息组织单元,分别用<></>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 | 标签内非属性字符串,<>…</>中字符串,格式:<tag>.string |
Comment | 标签内字符串的注释部分,一种特殊的Comment类型 |
```python | |
# Tag的Comment元素 |
from bs4 import BeautifulSoup
soup = BeautifulSoup(“
This is not a comment
“,”html.parser”)print(soup.b.string)
print(type(soup.b.string))
print(soup.p.string)
print(type(soup.p.string))
![](https://i.imgur.com/77Ka7Qb.png)
* BeautifulSoup对应一个HTML/XML文档的全部内容
* 任何存在于HTMl语法中的标签都可以用`soup.<tag>`访问获得,当HTML文档中存在多个相同`<tag>`对应内容时,`soup.<tag>`返回第一个
* 每个`<tag>`都有自己的名字,通过`<tag>.name`获取,字符串类型
* 一个`<tag>`可以有0或多个属性,字典类型
* NavigableString可以跨越多个层次
# 基于bs4库的HTML内容遍历方法
![](https://i.imgur.com/9ka0fPA.png)
![](https://i.imgur.com/QqwbSXq.png)
## 标签数的下行遍历
|属性|说明|
|:--:|:--:|
|.contents|子节点的列表,将<tag>所有儿子节点存人列表|
|.children|子节点的迭代类型,于.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|
![](https://i.imgur.com/x0ptQee.png)
![](https://i.imgur.com/aoz6x9u.png)
```python
# 标签树的下行遍历
import requests
from bs4 import BeautifulSoup
url = "https://python123.io/ws/demo.html"
r = requests.get(url)
demo = r.text
soup = BeautifulSoup(demo,"html.parser")
'''for child in soup.body.children: #遍历儿子节点
print(child)
'''
for child in soup.body.descendants: #遍历子孙节点
print(child)
标签树的上行遍历
属性 | 说明 |
---|---|
.parent | 节点的父亲标签 |
.parents | 节点先辈标签的的迭代类型,用于循环遍历先辈节点 |
```python | |
# 标签树的上行遍历 |
import requests
from bs4 import BeautifulSoup
url = “https://python123.io/ws/demo.html"
r = requests.get(url)
demo = r.text
soup = BeautifulSoup(demo,”html.parser”)
for parent in soup.a.parents: #遍历所有先辈节点,包括soup本身,soup的先辈不存在name信息
if parent is None:
print(parent)
else:
print(parent.name)
![](https://i.imgur.com/WEKGdLU.png)
## 标签树的平行遍历
平行遍历发生在同一个父节点下的各节点之间
|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|
![](https://i.imgur.com/TECSzL4.png)
```python
# 标签树的平行遍历
import requests
from bs4 import BeautifulSoup
url = "https://python123.io/ws/demo.html"
r = requests.get(url)
demo = r.text
soup = BeautifulSoup(demo,"html.parser")
for sibling in soup.a.next_sibling:
print(sibling) #遍历后续节点
'''for sibling in soup.a.previous_sibling:
print(sibling) #遍历前续节点
'''
基于bs4库的HTML格式输出—prettify()方法
- .prettify()为HTML文本
<>
及其内容增加’\n’ - .prettify()可用于标签,方法:
<tag>.perttify()
bs4库将任何HTML输入都变成utf-8编码