Python3.x的BeautifulSoup解析html經常使用函數

Python3.x的BeautifulSoup解析html經常使用函數

1,初始化:html

soup = BeautifulSoup(html) # html爲html源代碼字符串,type(html) == str

2,用tag獲取相應代碼塊的剖析樹:函數

#當用tag做爲搜索條件時,咱們獲取的包含這個tag塊的剖析樹:
#<tag><xxx>ooo</xxx></tag>
#這裏獲取head這個塊
head = soup.find('head')
# or
# head = soup.head
# or
# head = soup.contents[0].contents[0]

contents屬性是一個列表,裏面保存了該剖析樹的直接兒子,如:spa

html = soup.contents[0] # <html> ... </html>
head = html.contents[0] # <head> ... </head>
body = html.contents[1] # <body> ... </body>

3,用contents[], parent, nextSibling, previousSibling尋找父子兄弟tag:code

  beautifulSoup提供了幾個簡單的方法直接獲取當前tag塊的父子兄弟。htm

 假設咱們已經得到了body這個tag塊,咱們想要尋找<html>, <head>, 第一個<p>, 第二個<p>這四個tag塊:blog

# body = soup.bodyhtml = body.parent # html是body的父親
head = body.previousSibling # head和body在同一層,是body的前一個兄弟
p1 = body.contents[0] # p1, p2都是body的兒子,咱們用contents[0]取得p1
p2 = p1.nextSibling # p2與p1在同一層,是p1的後一個兄弟, 固然body.content[1]也可獲得

print(p1.text)
# u'This is paragraphone.'
print(p2.text)
# u'This is paragraphtwo.'
#  注意:1,每一個tag的text包括了它以及它子孫的text。2,全部text已經被自動轉
#爲unicode,若是須要,能夠自行轉碼encode(xxx)

4,用find, findParent, findNextSibling, findPreviousSibling尋找祖先或者子孫 tag:unicode

  find方法(我理解和findChild是同樣的),就是以當前節點爲起始,遍歷整個子樹,找到後返回。文檔

 而這些方法的複數形式,會找到全部符合要求的tag,以list的方式放回。他們的對應關係是:find->findall, findParent->findParents, findNextSibling->findNextSiblings...,如:字符串

print soup.findAll('p')
# [<p id="firstpara" align="center">This is paragraph <b>one</b>.</p>, <p id="secondpara" align="blah">This is paragraph <b>two</b>.</p>]

5,find的幾種用法,其餘的類比: find(name=None, attrs={}, recursive=True, text=None, **kwargs),文檔參考:          https://www.crummy.com/software/BeautifulSoup/bs3/documentation.zh.html#The%20basic%20find%20method:%20findAll%28name,%20attrs,%20recursive,%20text,%20limit,%20**kwargs%29)get

 

 (1).搜索tag:

find(tagname)        # 直接搜索名爲tagname的tag 如:find('head')
find(list)           # 搜索在list中的tag,如: find(['head', 'body'])
find(dict)           # 搜索在dict中的tag,如:find({'head':True, 'body':True})
find(re.compile('')) # 搜索符合正則的tag, 如:find(re.compile('^p')) 搜索以p開頭的tag
find(lambda)         # 搜索函數返回結果爲true的tag, 如:find(lambda name: if len(name) == 1) 搜索長度爲1的tag
find(True)           # 搜索全部tag

 (2),搜索屬性(attrs):

find(id='xxx')                                  # 尋找id屬性爲xxx的
find(attrs={id=re.compile('xxx'), algin='xxx'}) # 尋找id屬性符合正則且algin屬性爲xxx的
find(attrs={id=True, algin=None})               # 尋找有id屬性可是沒有algin屬性的

 (3),搜索文字(text):

           注意:文字的搜索會致使其餘搜索給的值如:tag, attrs都失效。

                方法與搜索tag一致;

 (4),recursive, limit:

      recursive=False表示只搜索直接兒子,不然搜索整個子樹,默認爲True。

     當使用findAll或者相似返回list的方法時,limit屬性用於限制返回的數量,如findAll('p', limit=2): 返回首先找到的兩個tag

相關文章
相關標籤/搜索