BeautifulSoup是Python包里最有名的HTML parser分解工具之一。简单易用
安装:
pip install beautifulsoup4
注意大小写,而且不要安装BeautifulSoup
,因为BeautifulSoup
代表3.0,已经停止更新。
常用语法
参考我之前的文章:BeautifulSoup :一些常用功能的使用和测试
# 创建实例
soup = BeautifulSoup(html, 'html5lib')
选择器
根据不同的网页,选择器的使用会很不同:
- 绝大部分下使用CSS选择器
select()
就足够了 - 如果按照标签属性名查找,而属性名中有
-
等特殊字符,那么就只能使用find()
选择器了。
# 最佳选择器: CSS选择器(返回tag list)
results = soup.select('div[class*=hello_world] ~ div')
for tag in results:
print(tag.string) #print the tag's html string
# print(tag.get_text()) #print its inner text
#单TAG精确选择器:返回单个tag.
tag = soup.find('div', attrs={'class': 'detail-block'})
print(tag.get_text())
# 多Tag精确选择器: 返回的是text,不是tag
results = soup.find_all('div', attrs={'class': 'detail-block'})
# 多class选择器(标签含有多个Class),重点是"class*="
results = soup.select('div[class*=hello_world] ~ div')
获取值
tag = soup.find('a')
# 只获取标签的文本内容
text = tag.get_text()
# 获取标签的全部内容(如<a href='sdfj'> asdfa</a>)
s = tag.string
# 获取标签的属性
link = tag['href']
修改值
tag = soup.find('a', attrs={'class': 'detail-block'})
#修改属性
tag['href'] = 'https://google.com'
# 修改内容 <tag>..</tag>中间的内容
tag.string = 'New Content'
# 删除属性
del tag['class']
对象类型
在我们使用选择器搜索各类tag标签时,BeautifulSoup会根据使用的函数而返回不同类型的变量。而不同的变量的使用方法也需要注意。
-
Tag类型(
<class 'bs4.element.Tag'>
):tag.string
tag.get_text()
- 可遍历字符串类型(
bs4.element.NavigableString
): - Comment类型(
<class 'bs4.element.Comment'>
):
增删改标签
# 修改标签内容
tag = soup.find('title')
tag.string = 'New Title'
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。