Python3中BeautifulSoup解析html常用函数
1,初始化:
soup = BeautifulSoup(html)# html为html源代码字符串,type(html) == str
2,用tag获取相应代码块的剖析树:
contents属性是一个列表,里面保存了该剖析树的直接儿子,如:
3,用contents[], parent, nextSibling, previousSibling寻找父子兄弟tag:
beautifulSoup提供了几个简单的方法直接获取当前tag块的父子兄弟。
假设我们已经获得了body这个tag块,我们想要寻找<html>, <head>, 第一个<p>, 第二个<p>这四个tag块:
4,用find, findParent, findNextSibling, findPreviousSibling寻找祖先或者子孙 tag:
find方法(我理解和findChild是一样的),就是以当前节点为起始,遍历整个子树,找到后返回。
而这些方法的复数形式,会找到所有符合要求的tag,以list的方式放回。他们的对应关系是:find->findall, findParent->findParents, findNextSibling->findNextSiblings...,如:
5,find的几种用法,其他的类比: find(name=None, attrs={}, recursive=True, text=None, **kwargs),文档参考:https://www.crummy.com/software/BeautifulSoup/bs3/documentation.zh.html#The%20basic%20find%20method:%20findAll%28name,%20attrs,%20recursive,%20text,%20limit,%20**kwargs%29)
(1).搜索tag:
(2),搜索属性(attrs):
(3),搜索文字(text):
注意:文字的搜索会导致其他搜索给的值如:tag, attrs都失效。
方法与搜索tag一致;
(4),recursive, limit:
recursive=False表示只搜索直接儿子,否则搜索整个子树,默认为True。
当使用findAll或者类似返回list的方法时,limit属性用于限制返回的数量,如findAll('p', limit=2): 返回首先找到的两个tag