Python爬蟲教程-24-數據提取-BeautifulSoup4（二）

本篇介紹 bs 如何遍歷一個文檔對象

遍歷文檔對象

• contents：tag 的子節點以列表的方式輸出
• children：子節點以叠代器形式返回
• descendants：所有子孫節點
• string：用string打印出標簽的具體內容，不帶有標簽，只有內容
• 案例代碼27bs3.py文件：https://xpwi.github.io/py/py%E7%88%AC%E8%99%AB/py27bs3.py

# BeautifulSoup 的使用案例
# 遍歷文檔對象

from urllib import request
from bs4 import BeautifulSoup

url = ‘http://www.baidu.com/‘

rsp = request.urlopen(url)
content = rsp.read()

soup = BeautifulSoup(content, ‘lxml‘)

# bs 自動解碼
content = soup.prettify()

print("=="*12)
# 使用 contents
for node in soup.head.contents:
    if node.name == "meta":
        print(node)
    if node.name == "title":
        print(node.string)
print("=="*12)
 

運行結果

常用string打印出標簽的具體內容，不帶有標簽，只有內容
當然，如果覺得遍歷太耗費資源，沒有必要遍歷的時候，可以使用搜索

搜索文檔對象

• find_all(name, attrs, recursive, text, ** kwargs)
  • 使用find_all()，返回的列表格式，也就是說如果 find_all(name=‘meta‘) ，如果有多個 meta 就以列表形式返回
  • name 參數：按照哪個字符搜索，可以傳入的內容為
    • 1.字符串
    • 2.正則表達式，使用正則需要編譯：
      例如：我們需要打印所有以 me 開頭的標簽內容
      tags = soup.find_all(re.compile(‘^me‘))
    • 3.也可以是列表
• keyword 參數，可以用來表示屬性
• text：對應 tag 的文本值
• 案例代碼27bs4.py文件：https://xpwi.github.io/py/py%E7%88%AC%E8%99%AB/py27bs4.py

# BeautifulSoup 的使用案例
# 搜索文檔對象

from urllib import request
from bs4 import BeautifulSoup
import re

url = ‘http://www.baidu.com/‘

rsp = request.urlopen(url)
content = rsp.read()

soup = BeautifulSoup(content, ‘lxml‘)

# bs 自動解碼
content = soup.prettify()

# 使用 find_all
# 使用 name 參數
print("=="*12)
tags = soup.find_all(name=‘link‘)
for i in tags:
    print(i)

# 使用正則表達式
print("=="*12)
# 同時使用兩個條件
tags = soup.find_all(re.compile(‘^me‘), content=‘always‘)
# 這裏直接打印 tags 會打印一個列表
for i in tags:
    print(i)
 

運行結果

因為使用兩個條件，所以只匹配到一條 meta
下一篇介紹，BeautifulSoup 的 css 選擇器
拜拜

Python爬蟲教程-24-數據提取-BeautifulSoup4（二）