目录
一、基本介绍
1、BeautifulSoup简称:bs4
2、BeautifulSoup是什么:
BeautifulSoup和 lxml 一样,是一个 html 的解析器,主要功能也是解析和提取数据
3、BeautifulSoup优缺点:
缺点:效率没有 lxml 的效率高
优点:接口设计人性化,使用方便
二、安装以及创建
三、BeautifulSoup使用
3.1、Json文件内容
<!DOCTYPE html>
<html lang="en">
<head>
<meta charset="UTF-8">
<title>Title</title>
</head>
<body>
<div>
<ul>
<li id="l1">张三</li>
<li id="l2">李四</li>
<li>王五</li>
<a href="" id="" class="a1">尚硅谷</a>
</ul>
</div>
<span href="" title="a2">尚硅谷</span>
<a href="" title="a2">尚硅谷</a>
<div id="d1">
<span>哈哈哈</span>
</div>
<p id="p1" class="p1">呵呵呵</p>
</body>
</html>
3.2、BeautifulSoup语法
3.2.1、find
from bs4 import BeautifulSoup
# 通过解析本地文件,来讲bs4的基础语法进行讲解
# 默认打开文件的编码格式是gbk,故需要指定编码格式
soup = BeautifulSoup(open('22_爬虫_解析_bs4的基本使用.html', encoding='utf8'), 'lxml')
# 1、find
# 1.1返回第一个符合条件的数据
print(soup.find('a'))
# 1.2根据title的值找到对应的标签对象
print(soup.find('a', title='a2'))
# 1.3根据class属性找到对应的标签对象,注意:class需要添加下划线"_"
print(soup.find('a', class_='a1'))
3.2.2、find_all
from bs4 import BeautifulSoup
# 通过解析本地文件,来讲bs4的基础语法进行讲解
# 默认打开文件的编码格式是gbk,故需要指定编码格式
soup = BeautifulSoup(open('22_爬虫_解析_bs4的基本使用.html', encoding='utf8'), 'lxml')
# 2、find_all
# 2.1、返回一个列表,并返回所有的a标签
print(soup.find_all('a'))
# 2.2、如果想获取的是多个标签的数据,那么需要在find_all的参数中添加的是列表的数据
print(soup.find_all(['a', 'span']))
# 2.3、limit作用:查找前几个数据
print(soup.find_all('li', limit=2))
3.2.3、select
from bs4 import BeautifulSoup
# 通过解析本地文件,来讲bs4的基础语法进行讲解
# 默认打开文件的编码格式是gbk,故需要指定编码格式
soup = BeautifulSoup(open('22_爬虫_解析_bs4的基本使用.html', encoding='utf8'), 'lxml')
# 3、select(推荐)
# 3.1、select方法返回的是一个列表,并且会返回多个数据
print(soup.select('a'))
# 3.2、可以通过.代表class,我们把这种操作叫做类选择器
print(soup.select('.a1'))
# 3.3、可以通过#代表id,我们把这种操作叫做id选择器
print(soup.select('#l1'))
# 3.4、属性选择器——通过属性寻找对应的标签
# 3.4.1、查找到li标签中有id的标签
print(soup.select('li[id]'))
# 3.4.2、查找到li标签中id为l2的标签
print(soup.select('li[id="l2"]'))
# 3.5、层级选择器
# 3.5.1、后代选择器:找到div下面的li
print(soup.select('div li'))
# 3.5.2、子代选择器:某标签的第一级子标签
# 注意:很多的计算机编程语言中,如果不加”空格“,不会输出内容;但是在bs4中不会报错,会显示内容
print(soup.select('div > ul > li'))
# 3.5.3、找到a标签和li标签的所有对象
print(soup.select('a, li'))
3.3、节点信息
3.3.1、获取节点内容
obj = soup.select('#d1')[0] # 节点id=d1返回得到的obj是个列表
# 如果标签对象中 只有内容 那么string和get_text()都可以使用
# 如果标签对象中 除了内容还有标签 那么string就获取不到数据;和get_text()可以获取数据
# 一般情况下,推荐使用get_text()
print(obj.string)
print(obj.get_text())
3.3.2、节点属性(输出节点包含哪些属性)
obj = soup.select('#p1')[0] # 节点id=p1
# 2.2.1、name是标签的名字<div>、<span>等
print(obj.name)
# 2.2.2、attrs将属性值作为一个字典返回
print(obj.attrs)
3.3.3、获取节点的属性值(输出节点属性的属性值)
obj = soup.select('#p1')[0]
# 获取节点的class属性
print(obj.attrs.get('class'))
print(obj.get('class'))
print(obj['class'])
四、实例(获取星巴克菜单信息)
import urllib.request
from bs4 import BeautifulSoup
url = 'https://www.starbucks.com.cn/menu/'
response = urllib.request.urlopen(url)
content = response.read().decode('utf8')
soup = BeautifulSoup(content, 'lxml')
# //ul[@class="grid padded-3 product"]//strong/text()
name_list = soup.select('ul[class="grid padded-3 product"] strong')
for name in name_list:
print(name.string)