深入解析网页结构解析模块beautifulsoup
共 3314字，需浏览 7分钟
·
2021-04-06 12:32
回复“书籍”即可获赠Python从入门到进阶共10本电子书
大家好，我是Python进阶者，今天给大家分享一个网页结构解析模块beautifulsoup。
前言
beautifulsoup（以下简称bs），是一款网页结构解析模块，它支持传统的Xpath，css selector 语法，可以说很强大了，下面我们就来着重介绍下它的用法。
安装
bs 可以使用pip 或者easy_install安装，方便快捷。
pip install Beautifulsoup4 基本用法
一般就是先由requests 获取到网页源码后然后对页面进行解析，如图：
这样就基本上拿到了页面的源码了。
1.根据标签直接获取元素，如下图：
2.根据find，find_all方法查找
前者返回一个结果，后者返回所有结果
name , attrs , recursive , text , **kwargs )name :要查找的标签名（字符串、正则、方法、True）attrs: 标签的属性recursive: 递归text: 查找文本:其它 键值参数
因为class是关键字，所以要写成class_="value", 等同于attrs={"class":"value"}
这里的参数适用于find find_all两种方法。
只不过find_all 还有其他参数，比如限制查找返回数量 的limit方法，标签内容string方法。
3.根据select方法查找
| soup.select('div') | 所有名为<div>的元素 |
|---|---|
| soup.select('#aa') | 所有 id 属性名为aa的元素 |
| soup.select('.oo') | 所有class 属性名为oo的元素 |
| soup.select('div p') | 所有在<div>元素之内的<p>元素 |
| soup.select('div >p') | 所有直接在<div>元素之内的<p>元素，中间没有其他元素 |
| soup.select('input[name]') | 所有名为<input>，并有一个 name 属性，其值无所谓的元素 |
| soup.select('input[type="button"]') | 所有名为<input>,并有一个 type 属性，其值为 button 的元素 |
soup.select('a')[0].get_text() # 获取首个a元素的文本
soup.select('a')[0].attrs['href'] # 获取首个a元素的链接地址
4.关系节点名
find_parents()返回所有祖先节点的列表，find_parent()返回直接父节点print(soup.title.find_parent())print(soup.title.find_parent().find_all('link')[1])print(soup.title.find_parents())find_next_siblings()返回后面所有兄弟节点的列表，find_next_sibling()返回后面第一个兄弟节点print(soup.title.find_next_sibling())print(soup.title.find_next_siblings())find_previous_siblings()返回前面所有兄弟节点的列表，find_previous_sibling()返回前面第一个兄弟节点print(soup.title.find_previous_sibling())print(soup.title.find_previous_siblings())find_all_next()返回节点后所有符合条件的节点的列表, find_next()返回节点后第一个符合条件的节点print(soup.title.find_next('link'))print(soup.title.find_all_next('link'))find_all_previous()返回节点前所有符合条件的节点, find_previous()返回节点前第一个符合条件的节点print(soup.title.find_previous('link'))print(soup.title.find_all_previous('link'))
5.对象种类
tag(标签) navigablestring(标签内字符串) beautifulsoup(对象) comment(备注)rep=requests.get('https://book.qidian.com/info/1014243481#Catalog',timeout=3)soup=BeautifulSoup(rep.text,'html.parser')print(soup.name) #beautifulsoup 对象tr=soup.divprint(type(tr),tr) #tag对象 标签print(tr.get_attribute_list('class')) #获取属性对应列表print(tr.a.string) #navigablestring 对象，获取标签内文字，可使用str()方法将她转换为unicode字符串print(soup.a.string.replace_with('fdf')) #替换navigablestring
comment 即为提取的注释内容，一般被！--xxxxxxx--! 包裹的内容就是了
三、使用案例
爬取起点小说主页第一页所有小说名字和链接，如图：
import requestsfrom bs4 import BeautifulSouprep=requests.get('https://www.qidian.com/all',timeout=3)soup=BeautifulSoup(rep.text,'html.parser')#按照步骤一步一步来爬取ul=soup.find_all('ul','all-img-list cf')for y in ul:for z in y.find_all('div','book-mid-info'):for x in z.find_all('h4'):for v in x.find_all('a'):print(v.get_text(),'https:'+v.attrs['href']) #获取a标签的内容和href属性值
最后就可以得出正确结果，如图：
关于bs大致就这么多，大家学会了吗？？
总结
今天就讲这么多，关于BS的强大之处，远不止于此，本文只是介绍了它的安装和基本用法，并通过一个案例来帮助大家加深理解，希望大家好好利用，在爬虫路上可以事倍功半！
------------------- End -------------------
往期精彩文章推荐：
欢迎大家点赞，留言，转发，转载，感谢大家的相伴与支持
想加入Python学习群请在后台回复【入群】
万水千山总是情，点个【在看】行不行
/今日留言主题/
随便说一两句吧~