python爬虫07 | 有了 BeautifulSoup ，妈妈再也不用担心我的正则表达式了
小帅b 学习python的正确姿势
我们上次做了
你的第一个爬虫，爬取当当网 Top 500 本五星好评书籍
有些朋友觉得
利用正则表达式去提取信息
太特么麻烦了
有没有什么别的方式
更方便过滤我们想要的内容啊
emmmm
你还别说
还真有
有一个高效的网页解析库
它的名字叫做
BeautifulSoup
那可是
它
是一个可以从 HTML 或 XML 文件中提取数据的 Python 库
那么这么玩呢
...
接下来就是
学习python的正确姿势
首先我们要安装一下这个库
pip install beautifulsoup4
beautifulsoup支持不同的解析器
比如
对 HTML 的解析
对 XML 的解析
对 HTML5 的解析
你看
一般情况下
我们用的比较多的是 lxml 解析器
我们先来使用一个例子
让你体验一下
beautifulsoup 的一些常用的方法
可流弊了呢
比如我们有这样一段 HTML 代码
html_doc = """ <html><head><title>学习python的正确姿势</title></head> <body> <p class="title"><b>小帅b的故事</b></p> <p class="story">有一天，小帅b想给大家讲两个笑话 <a href="http://example测试数据/1" class="sister" id="link1">一个笑话长</a>, <a href="http://example测试数据/2" class="sister" id="link2">一个笑话短</a> , 他问大家，想听长的还是短的？</p> <p class="story">...</p> """
在不使用 re 来进行正则表达式的情况下
如何快速获取到我们想要的内容呢？
先安装一下
pip install beautifulsoup4 pip install lxml
接着将 html 的源代码传给 BeautifulSoup
soup = BeautifulSoup(html_doc,'lxml')
此时此刻
就不需要自己写正则匹配了
我们要做的就是从这个对象直接获取我们要的内容
获取标题的内容
print(soup.title.string) #学习python的正确姿势
获取 p 标签里面的内容
print(soup.p.string) #小帅b的故事
获取 title 的父级标签
print(soup.title.parent.name) #head
获取超链接
print(soup.a) #<a class="sister" href="http://example测试数据/1" id="link1">一个笑话长</a>
获取所有超链接
print(soup.find_all('a'))
#[<a class="sister" href="http://example测试数据/1" id="link1">一个笑话长</a>, <a class="sister" href="http://example测试数据/2" id="link2">一个笑话短</a>]
获取 id 为 link2 的超链接
print(soup.find(id="link2")) #<a class="sister" href="http://example测试数据/2" id="link2">一个笑话短</a>
获取网页中所有的内容
print(soup.get_text()) # 学习python的正确姿势 小帅b的故事 有一天，小帅b想给大家讲两个笑话 一个笑话长, 一个笑话短 , 他问大家，想听长的还是短的？ ...
除了find方法之外
如果你对css比较熟悉
也可以使用 select 方法
soup = BeautifulSoup(html_doc,'lxml')
print(soup.select("title"))
print(soup.select("body a"))
print(soup.select("p > #link1"))
以上就是 BeautifulSoup 常用的方法
想进一步了解可以到这
https://HdhCmsTestcrummy测试数据/software/BeautifulSoup/bs4/doc/
有了它
妈妈再也不用担心我的正则表达式了
下次还有人这样问你
年轻人，不会正则表达式你睡得着觉？有点出息没有？
你可以傲娇的告诉他
睡得着
本篇完
再见
查看更多关于python爬虫07 | 有了 BeautifulSoup ，妈妈再也不用担心我的正则表达式了的详细内容...