首页 > 代码库 > 爬虫库之BeautifulSoup学习(二)

爬虫库之BeautifulSoup学习(二)

BeautifulSoup官方介绍文档:https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html

 

四大对象种类:

BeautifulSoup 将复杂的html文件转换成一个复杂的树形结松,每个节点都是python对象。

技术分享

 

所有对象可以分下以下四类:

Tag

NavigableString

BeautifulSoup

Comment

下面进行一一介绍:

1、Tag  

通俗点讲就是html中的一个个标签,例如:

<title>Hello world </title>

<a class ="test",href="http://www.baidu.com" id="link1"> Elsie </a>

上面的 title a 等等 HTML 标签加上里面包括的内容就是 Tag,下面我们来感受一下怎样用 Beautiful Soup 来方便地获取 Tags

 

下面每一段代码中注释部分为运行结果:

print soup.title

#<title>Hello world </title>

print soup.head

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

print soup.a

#<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>

print soup.p

#<p class="title" name="dromouse"><b>The Dormouse‘s story</b></p>

 

  我们可以利用 soup加标签名轻松地获取这些标签的内容,是不是感觉比正则表达式方便多了?

  我们可以验证一下这些对象的类型:

  print type(soup.a)

  #<class ‘bs4.element.Tag‘>

  

对于tag,它有两个重要的属性,是nameattrs

  name:

  print soup.name

  print soup.head.name

  #[document]

  #head
  soup 对象本身比较特殊,它的 name 即为 [document],对于其他内部标签,输出的值便为标签本身的名称。
 
  attrs
  print soup.p.attrs
  #{‘class‘: [‘title‘], ‘name‘: ‘dromouse‘}    //得到类型是一个字典
 
  如果我们想要单独获取某个属性,可以这样:
  print soup.p[‘class‘]
     #[‘title‘]
 
  还可以这样,得用get方法,传入属性的名称,二者是等价的:
     print soup.p.get(‘class‘)
      #[‘title‘]
 

  

2、NaviableString

     既然我们已经得到了标签的内容,那么问题来了,我们要想获取标签内部的文字怎么办呢?很简单,用 .string 即可

     print soup.p.string

     #The Dormouse‘s story

  检查一下它的类型

     print type(soup.p.string)

  #<class ‘bs4.element.NavigableString‘>

 

3、BeautifulSoup

  对象表示的是一个文档的全部内容.大部分时候,可以把它当作 Tag 对象,是一个特殊的 Tag,我们可以分别获取它的类型,名称,以及属性来感受一下

  print type(soup.name)

  #<type ‘unicode‘>

  print soup.name

  #[document]

  print soup.attrs

  #{} 空字典

 

4、Comment

  对象是一个特殊类型的 NavigableString 对象,其实输出的内容仍然不包括注释符号,但是如果不好好处理它,可能会对我们的文本处理造成意想不到的麻烦。

  我们找一个带注释的标签

  print soup.a

  print soup.a.string

  print type(soup.a.string)

  结果如下:

  <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>

  Elsie 

  <class ‘bs4.element.Comment‘>

  

  a 标签里的内容实际上是注释,但是如果我们利用 .string 来输出它的内容,我们发现它已经把注释符号去掉了,所以这可能会给我们带来不必要的麻烦。

  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:

  if type(soup.a.string)=="bs4.element.Comment":

    print soup.a.string

  上面的代码中,我们首先判断了它的类型,是否为 Comment 类型,然后再进行其他操作,如打印输出。

  

  

     

 

爬虫库之BeautifulSoup学习(二)