Python之Html解析方法
一、强大的BeautifulSoup：BeautifulSoup是一个可以从html或xml文件中提取数据的Python库。它能够通过你喜欢的转换器实现惯用的文档导航、查找、修改文档的方式。在Python开发中，主要用的是BeautifulSoup的查找提取功能，修改功能很少使用
1、安装BeautifulSoup
pip3 install beautifulsoup4
2、安装第三方html解析器lxml
pip3 install lxml
3、安装纯Python实现的html5lib解析器
pip3 install html5lib
1、导入bs4库
from
bs4 import BeautifulSoup #导入bs4库
2、创建包含html代码的字符串
html_str
= “””
<html><head><title>The
Dormouse\’s story</title></head>
<body>
<p
class=”title”><b>The Dormouse\’s stopy</b></p>
<p
class=”story”>Once upon a time there were three little
sisters;and their names where
<a
href=”http://example.com/elsie” class=”sister”
id=”link1″><!–Elsie–></a>
“””
3、创建BeautifulSoup对象
（1）直接通过字符串方式创建
soup
= BeautifulSoup(html_str,\’lxml\’)
#html.parser是解析器，也可是lxml
print(soup.prettify())
——>输出soup对象的内容
（2）通过已有的文件来创建
soup
= BeautifulSoup(open(\’/home/index.html\’),features=\’html.parser\’)#html.parser是解析器，也可是lxml
4、BeautifulSoup对象的种类：BeautifulSoup将复杂HTML文档转换成一个复杂的树形结构，每个节点都是Python对象
（1）BeautifulSoup：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，因为BeautifulSoup对象并不是真正的HTML和XML，所以没有name和attribute属性
（2）Tag：与XML或HTML原生文档中的Tag相同，通俗讲就是标记
如：
抽取title：print（soup.title）
抽取a
：
print（soup.a）
抽取p：print（soup.p）
Tag中有两个重要的属性：name和attributes。每个Tag都有自己的名字，通过.name来获取
print（soup.title.name）
操作Tag属性的方法和操作字典相同
如：<p
class=’p1’>Hello World</p>
print（soup.p[‘class’]）
也可以直接“点”取属性，如
.attrs
获取Tag中所有属性
print（soup.p.attrs）
（3）NavigableString：获取标记内部的文字.string
BeautifulSoup用
NavigableString类来封装Tag中的字符串，一个
NavigableString字符串与Python中的Unicode字符串相同，通过unicode（）方法可以直接将
NavigableString对象转换成Unicode字符串
如：u_string
= unicode(soup.p.string)
（4）Comment：对于一些特殊对象，如果不清楚这个标记.string的情况下，可能造成数据提取混乱。因此在提取字符串时，可以判断下类型：
if
type(soup.a.string) == bs4.element.Comment:
print(soup.a.string)
5、遍历文档
（1）子节点：
A、对于直接子节点可以通过
.contents
和
.children来访问
.contents
—->将Tag子节点以列表的方式输出
print（soup.head.contents）
.children
—–>返回一个生成器，对Tag子节点进行循环
for
child in soup.head.children:
print（child）
B、获取子节点的内容
.string
—>
如果标记里没有标记了，则返回内容；如果标记里只有一个唯一的标记，则返回最里面的内容；如果包含多个子节点，Tag无法确定.string方法应该返回哪个时，则返回None
.strings
—->主要应用于Tag中包含多个字符串的情况，可以进行循环遍历
for
str in soup.strings:
print（repr(str)）
.stripped_string
—–>可以去掉字符串中包含的空格或空行
for
str in soup.stripped_strings:
print(repr(str))
（2）父节点
A、通过.parent属性来获取某个元素的父节点，如：
print（soup.title.parent）
B、通过.parents属性可以递归得到元素的所有父辈节点
for
parent in soup.a.parents:
if
parent is None:
print(parent)
else:
print(parent.name)
（3）兄弟节点
.
next_sibling
—–>获取该节点的下一个兄弟节点
.
previous_sibling —–>获取该节点的上一个兄弟节点
（4）前后节点
.
next_elements —–>获得该节点前面的所有节点
.
previous_elements —–>获得该节点后面的所有节点
6、搜索文档树
（1）find_all(name,attrs,recursive,text,**kwargs)
A、name参数：查找名字为name的标记
print（soup.find_all(‘‘’’b)）
B、text参数：查找文档中字符串的内容
C、
recursive参数：检索当前Tag的所有子孙节点时，若只想找直接子节点，
该参数设置为False
7、CSS选择器：使用soup.select()函数
（1）通过标记名查找
print（soup.select(“title”)）
（2）通过Tag的class属性值查找
print（soup.select(“.sister”)）
（3）通过Tag的id属性值查找
print（soup.select(“#sister”)）
（4）通过是否存在某个属性查找
print（soup.select(“a[href]”)）
（5）通过属性值查找
print（soup.select(\’a[href=”http://exam.com”]\’)）
p { margin-bottom: 0.25cm; direction: ltr; color: rgba(0, 0, 10, 1); line-height: 120%; text-align: left }
p.western { font-family: “Liberation Serif”, serif; font-size: 12pt }
p.cjk { font-family: “文泉驿点阵正黑”; font-size: 12pt }
p.ctl { font-family: “Lohit Devanagari”; font-size: 12pt }