首页 > 操作系统 >

Python爬虫利器二之Beautiful Soup的用法

电脑杂谈　发布时间：2019-09-10 15:05:03　来源：网络整理

嗅探文件存百度云_ftp下载的文件存在哪_beautifulsoup 存文件

上面的 title a 等等 HTML 标签加上里面包含的内容就是 Tag，下面我们来体验一下怎样用 Beautiful Soup 来便于地获取 Tags

下面每一段代码中注解部分即为运行结果

#<title>The Dormouse's story</title>

#<head><title>The Dormouse's story</title></head>

#<a href="http://example.com/elsie"></a>

#The Dormouse's story

我们可以借助 soup加标签名轻松地获得很多标签的内容，是不是感觉比正则表达式方便多了？不过有一点是，它查找的是在所有内容中的第一个符合规定的标签，如果要查询所有的标签，我们在前面进行介绍。

我们可以验证一下这些对象的类型

对于 Tag，它有两个重要的属性beautifulsoup 存文件，是 name 和 attrs，下面我们分别来体验一下

name

soup 对象原本非常特殊，它的 name 即为 [document]，对于其它外部标签，输出的值便为标签本身的名称。

attrs

#{'class': ['title'], 'name': 'dromouse'}

在这里，我们把 p 标签的所有属性打印输出了起来，得到的类型是一个字典。

如果我们想要单独获得某个属性，可以这么，例如我们获得它的 class 叫什么

还可以这么，利用get方式，传入属性的名称，二者是等价的

我们可以对这种属性和内容等等进行设置，例如

#The Dormouse's story

还可以对这个属性进行删除，例如

#The Dormouse's story

不过，对于设置删除的操作，不是我们的主要功能，在此不做详细介绍了，如果有必须，请查看里面提供的官网文档

既然我们终于受到了标签的内容，那么疑问来了，我们要想获取标签外部的文字如何办呢？很简单，用 .string 即可，例如

beautifulsoup 存文件_嗅探文件存百度云_ftp下载的文件存在哪

这样我们就轻松获得到了标签上面的内容，想想既然用正则表达式要多麻烦。它的类型是一个NavigableString，翻译过来叫可以递归的字符串，不过我们最好还是称它英文名字吧。

来检查一下它的类型

BeautifulSoup 对象表示的是一个文档的全部内容.大部分时候,可以把它当成 Tag 对象，是一个特殊的 Tag，我们可以分别获得它的类别，名称，以及属性来体验一下

#<type 'unicode'>

# [document]

#{} 空字典

Comment 对象是一个特殊类型的 NavigableString 对象，其实输出的内容依然不包含注释符号，但是一旦不好好处理它beautifulsoup 存文件，可能会对我们的文本处理产生意想不到的麻烦。

我们找一个带注释的标签

运行结果如下

a 标签里的内容实际上是注解，但是一旦我们运用 .string 来输出它的内容，我们看到它早已把注解符号去掉了，所以这可能会给我们带给不必要的麻烦。

另外我们打印输出下它的类型，发现它是一个 Comment 类型，所以，我们在使用前最好做一下判断，判断代码如下

上面的代码中，我们首先判定了它的类别，是否为 Comment 类型，然后再进行其它操作，如打印输出。

要点：.contents .children 属性

.contents

tag 的 .content属性可以将tag的子节点以列表的方法输出

#[<title>The Dormouse's story</title>]

输出模式为列表，我们可以用列表索引来获得它的某一个元素

#<title>The Dormouse's story</title>

.children

它返回的不是一个 list，不过我们可以借助遍历获得所有子节点。

我们打印输出 .children 看一下，可以看到它是一个 list 对象

#<listiterator object at 0x7f71457f5710>

ftp下载的文件存在哪_beautifulsoup 存文件_嗅探文件存百度云

我们如何获取上面的内容呢？很简单，遍历一下就好了，代码及结果如下

知识点：.descendants 属性

.descendants

.contents 和 .children 属性仅包括tag的直接子节点，.descendants 属性可以对所有tag的子孙结点进行遍历循环，和 children类似，我们也应该枚举获取其中的内容。

运行结果如下，可以看到，所有的节点都被打印下来了，先生最外层的 HTML标签，其次从 head 标签一个个剥离，以此类推。

<html><head><title>The Dormouse's story</title></head>

<body>

知识点：.string 属性

如果tag只有一个 NavigableString 类型子节点,那么这个tag可以使用 .string 得到子节点。如果一个tag仅有一个子节点,那么这个tag也可以使用 .string 方法,输出结果与当前唯一子节点的 .string 结果同样。

通俗点说就是：如果一个标签上面没有标签了，那么 .string 就会返回标签上面的内容。如果标签上面只有唯一的一个标签了，那么 .string 也会返回最上面的内容。例如

如果tag包含了多个子节点,tag就能够确认，string方法需要读取那个子节点的内容, .string的输出结果是 None

知识点： .strings .stripped_strings 属性

.strings

获取多个内容，不过应该枚举获取，比如上面的举例

.stripped_strings

输出的字符串中也许包括了这些空格或空行,使用 .stripped_strings 可以去掉多余空白内容

# u"The Dormouse's story"

# u'Once upon a time there were three little sisters; and their names were'

# u';\nand they lived at the bottom of a well.'

知识点： .parent 属性

知识点：.parents 属性

嗅探文件存百度云_ftp下载的文件存在哪_beautifulsoup 存文件

通过元素的 .parents 属性可以递归得到元素的所有父辈节点，例如

知识点：.next_sibling .previous_sibling 属性

兄弟节点可以理解为和本节点处在统一级的节点，.next_sibling 属性获得了该节点的下一个兄弟节点，.previous_sibling 则与之相反，如果节点不存在，则返回 None

注意：实际文档中的tag的 .next_sibling 和 .previous_sibling 属性一般是字符串或空白，因为空白以及换行也可以被视作一个节点，所以受到的结果也许是空白以及换行

# 实际该处为空白

#None 没有前一个兄弟节点，返回 None

#Once upon a time there were three little sisters; and their names were

#<a href="http://example.com/elsie"></a>,

#<a href="http://example.com/lacie">Lacie</a> and

#<a href="http://example.com/tillie">Tillie</a>;

#and they lived at the bottom of a well.

#下一个节点的下一个兄弟节点是我们可以发现的节点

知识点：.next_siblings .previous_siblings 属性

通过 .next_siblings 和 .previous_siblings 属性可以对当前节点的兄弟节点迭代输出

# <a href="http://example.com/lacie">Lacie</a>

# <a href="http://example.com/tillie">Tillie</a>

# u'; and they lived at the bottom of a well.'

知识点：.next_element .previous_element 属性

与.next_sibling .previous_sibling 不同，它并不是针针对兄弟节点，而是在所有节点，不分层次

比如 head 节点为

那么它的下一个节点便是 title，它是不分层次关系的

#<title>The Dormouse's story</title>

ftp下载的文件存在哪_嗅探文件存百度云_beautifulsoup 存文件

知识点：.next_elements .previous_elements 属性

通过 .next_elements 和 .previous_elements 的迭代器就可以往前或向后访问文档的解读内容,就似乎文档正在被解析一样

# u'Tillie'

# u';\nand they lived at the bottom of a well.'

# ...

以上是数组文档树的基本用法。

find_all() 方法搜索当前tag的所有tag子节点,并判定是否依照过滤器的条件

1）name 参数

name 参数可以查找所有名字为 name 的tag,字符串对象会被手动忽略掉

A.传字符串

最简单的过滤器是字符串.在搜索方式中传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容,下面的事例用于查找文档中所有的标签

# [The Dormouse's story]

#[<a href="http://example.com/elsie"></a>, <a href="http://example.com/lacie">Lacie</a>, <a href="http://example.com/tillie">Tillie</a>]

B.传正则表达式

如果传入正则表达式作为参数,Beautiful Soup会通过正则表达式的 match() 来匹配内容.下面举例中找出所有以b结尾的标签,这表示<body>和标签都需要被找到

C.传列表

如果传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回.下面代码找到文档中所有<a>标签和标签

# [The Dormouse's story,

#<a href="http://example.com/elsie">Elsie</a>,

#<a href="http://example.com/lacie">Lacie</a>,

#<a href="http://example.com/tillie">Tillie</a>]

D.传 True

True 可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点

E.传方法

如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数 ,如果这个办法返回 True 表示当前元素匹配甚至被找到,如果不是则反回 False

下面步骤校验了当前元素,如果包括 class 属性却不包含 id 属性,那么将返回 True:

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-122406-1.html

相关阅读

发表评论　　请自觉遵守互联网相关的政策法规，严禁发布、暴力、反动的言论

胡博超

杨洋很机智

2026年08月13日回复顶转发
黄格

你只是站在自己的位置上去看问题

2026年08月13日回复顶转发
唐明星

黑芝麻糊

2026年08月13日回复顶转发

每日福利

globrand(全球品牌网)

Win8系统纯版本64位下载小论文重复率要求论文造假黑色产业链：百度做推广渗透500所高校 (

小论文重复率要求论文造假黑色产业链：百度做推广渗透500所高校 ( 龙芯 3c_龙芯cpu_龙芯购买

龙芯 3c_龙芯cpu_龙芯购买

热点图片

热点排行