爬蟲 bs4模組

安裝

pip3 install beautifulsoup4  # 解析html和xml，修改html和xml

import requests

from bs4 import beautifulsoup
# 文件容錯能力，不是乙個標準的html也能解析
soup=beautifulsoup(html_doc,'lxml')
print(soup.prettify())
# bs4的修改文件樹  軟體配置檔案是xml格式的
# 軟體的配置檔案
# ini：configparser
# conf
# xml：bs4
# yaml格式

# 遍歷文件樹：即直接通過標籤名字選擇，特點是選擇速度快，但如果存在多個相同的標籤則只返回第乙個

head=soup.head
p=soup.body.p
print(head.name)

a=soup.body.a

ret=soup.select('#my_p')

ret=soup.select('body p')  # 子子孫孫
ret=soup.select('body>p')  # 直接子節點（兒子）
ret=soup.select('body>p')[0].text  # 直接子節點（兒子）

find()  # 只返回找到的第乙個

find_all() # 找到的所有

# class屬性有乙個也放到列表中

print(p.attrs)
print(p.attrs.get('class'))
print(p['class'])
print(p.get('class'))

print(p.text)    # text會取該標籤，子子孫孫的內容，拼到一起

print(p.string)# # p下的文字只有乙個時，取到，否則為none
print(p.strings)#  生成器

五種過濾器: 字串、正規表示式、列表、true、方法

# 字串過濾，過濾內容是字串
a=soup.find(name='a')
res=soup.find(id='my_p')
res=soup.find(class_='story')
res=soup.find(href='')
res=soup.find(attrs=)
# 正規表示式
import re
re_b=re.compile('^b')
res=soup.find(name=re_b)
res=soup.find_all(name=re_b)
res=soup.find_all(id=re.compile('^l'))
# 列表
res=soup.find_all(name=['body','b'])
res=soup.find_all(class_=['sister','title'])
# true和false
res=soup.find_all(name=true)
# 方法（了解）
def has_class_but_no_id(tag):
return tag.has_attr('class') and not tag.has_attr('id')
print(soup.find_all(has_class_but_no_id))

limit(限制查詢的條數)

res=soup.find_all(name=true,limit=1)
recursive（recursive遞迴查詢，找子子孫孫）
res=soup.body.find_all(name='b',recursive=true)

子節點、子孫節點

# print(soup.p.contents) #p下所有子節點
# print(soup.p.children) #得到乙個迭代器,包含p下所有子節點
# print(list(soup.p.children)) #得到乙個迭代器,包含p下所有子節點
父節點、祖先節點
# print(soup.a.parent) #獲取a標籤的父節點(只有乙個)
# print(soup.p.parent) #獲取p標籤的父節點
# print(soup.a.parents) #找到a標籤所有的祖先節點，父親的父親，父親的父親的父親...
# print(list(soup.a.parents))#找到a標籤所有的祖先節點，父親的父親，父親的父親的父親...
# print(len(list(soup.a.parents)))#找到a標籤所有的祖先節點，父親的父親，父親的父親的父親...
兄弟節點
# print(soup.a.next_sibling) #下乙個兄弟
# print(soup.a.previous_sibling) #上乙個兄弟
# print(list(soup.a.next_siblings)) #下面的兄弟們=>生成器物件
# print(list(soup.a.previous_siblings)) #上面的兄弟們=>生成器物件

爬蟲架構 bs4

方便解析html xml等格式的原始碼，快速查詢 修改等操作，節省數小時乃至更多的工作時間 官網文件 from bs4 import beautifulsoup print path beautifulsoup path 非真實網頁 html doc 夏日炎炎，要你幹嘛 print soup.hea...

bs4模組練習 爬蟲專題 7

今天，python輔助做飯。各式各樣的菜 誘人呀！廚房，蒸炒燉燜煮 燒炸煎煲滷 自從學了python，我就有乙個?想法?每週做好吃又新鮮的菜，比上面的更好吃更健康。做到其實很簡單，如果您會最基礎炒，用python找到合適的菜譜到了假日就自動傳送到郵箱。寫一段python 在每週五爬取最新出的熱門菜譜...

爬蟲 資料解析 bs4

正規表示式實現資料解析 需求 爬取糗事百科中糗圖資料 import requests headers 方式1 url img data requests.get url url,headers headers content content返回的是byte型別的資料 方式2 方式2不可以使用ua偽裝...