掌握Python的X篇_30_使用python解析网页HTML
本篇将会介绍beutifulsoup4模块，可以用于网络爬虫、解析HTML和XML，对于没有接触过前端，不了解HTML是如何工作的，需要先解释一下什么事HTML。
1. HTML
网页中的各种布局等的背后都是非常简单的纯文本格式，那种格式称为HTML。
关于HTML不用刻意的去学习，所谓的HTML就是一堆<>括起来的符合或单词，不同的单词就是标签，其对应了不同的作用。
如果在网络上进行通信，获取网页，实际上不会得到我们打开的网页的界面，得到的就是html的代码，而我们关心的可能就是HTML中的一部内容，就需要对HTTML也就是字符串进行解析，找出我们需要的部分。通过python的字符串来进行处理也是可行的，但是考虑到处理的效率，也有相应的开发的模块。
2. 安装bs4
pip install beutifulsoup4
官网文档(中文版):
https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/
3. 使用BeautifulSoup解析HTML实例
使用的HTML代码如下：来自于官方文档中的范例：a、p均为标签
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p><p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p><p class="story">...</p>
"""
将其拷贝到一个txt文件，改后缀为html，利用浏览器打开就是一个网页如下：
- bs4中提供了BeautifulSoup的方法，它可以将html字符串，转化为一个soup对象。
- soup对象中提供了各种属性方法，对应了htm文档，使得我们可以很方便地提取相关信息
以下演示如何进行安装、导入模块、进行HTML的缩进美化
C:\Users\>pip install beautifulsoup4
C:\Users\>ipython
In [1]: from bs4 import BeautifulSoup
In [2]: html_doc = """...: <html><head><title>The Dormouse's story</title></head>...: <body>...: <p class="title"><b>The Dormouse's story</b></p>...:...: <p class="story">Once upon a time there were three little sisters; and their names were...: <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,...: <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and...: <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;...: and they lived at the bottom of a well.</p>...:...: <p class="story">...</p>...: """In [3]: soup = BeautifulSoup(html_doc, 'html.parser') #转变为soup对象In [4]: print(soup.prettify()) #把原有HTML源码进行缩进美化
<html><head><title>The Dormouse's story</title></head><body><p class="title"><b>The Dormouse's story</b></p><p class="story">Once upon a time there were three little sisters; and their names were<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>and<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p><p class="story">...</p></body>
</html>构造得到的soup对象中提供了各种操作的方法。
find_all：找到所有的标签，返回一个list，list中的每个元素，是标签对象。
In [5]: soup.find_all("a")
Out[5]:
[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>,<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]In [6]: for i in soup.find_all("a"):...: print(i)...:
<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>
<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>In [7]: mylist = soup.find_all("a")In [8]: tag0 = mylist[0]In [9]: tag0
Out[9]: <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>In [10]: tag0['href'] #标签类似dict的封装，得到href的value
Out[10]: 'http://example.com/elsie'
In [11]: for item in mylist:...: print(item["href"])...:
http://example.com/elsie
http://example.com/lacie
http://example.com/tillie4.学习视频地址：使用python解析网页HTML
相关文章：
掌握Python的X篇_30_使用python解析网页HTML
本篇将会介绍beutifulsoup4模块，可以用于网络爬虫、解析HTML和XML，对于没有接触过前端，不了解HTML是如何工作的，需要先解释一下什么事HTML。 1. HTML 网页中的各种布局等的背后都是非常简单的纯文本格式，那种格式称为…...
广联达OA前台sql注入+后台文件上传漏洞复现分析
文章目录 前言资产特征前台sql注入后台文件上传解决办法 前言 最近看到广联达OA的前端sql注入和后端文件上传漏洞联动的poc 广联达科技股份有限公司以建设工程领域专业应用为核心基础支撑，提供一百余款基于“端云大数据”产品/服务，提供产业大数据、产业…...
No view found for id 0x7f0901c3 for fragment解决以及线上bug排查技巧
情景再现 开发这么久，不知道你们是否也经历过这样的情况，测试或者用户，反馈app闪退，结果你自己打开开发工具，去调试，一切正常，然后闪退还是存在，只是在开发环境中不能重现。这种情况…...
腾讯云CVM服务器竞价实例是什么？和按量计费有什么区别？
腾讯云服务器CVM计费模式分为包年包月、按量计费和竞价实例，什么是竞价实例？竞价实例和按量付费相类似，优势是价格更划算，缺点是云服务器实例有被自动释放风险，腾讯云服务器网来详细说下什么是竞价实例？以及…...
Kali Linux助您网络安全攻防实战
Kali Linux：黑客与防御者的神器 Kali Linux是一款专为网络安全测试和攻防实践而设计的操作系统。它汇集了大量的安全工具，可以用于渗透测试、漏洞扫描、密码破解等任务，不仅为黑客提供了强大的攻击能力，也为安全防御者提供了测试和…...
JavaEE初阶：多线程 - 编程
1.认识线程 我们在之前认识了什么是多进程，今天我们来了解线程。 一个线程就是一个 "执行流". 每个线程之间都可以按照顺讯执行自己的代码. 多个线程之间 "同时" 执行 着多份代码. 引入进程这个概念，主要是为了解决并发编程这样的…...
一种多策略下RabbitMQ的延时队列实现
1.为什么会用到延时队列? 场景: 最近在开发一款系统中遇到这样一个场景,A系统开通套餐需要把套餐信息以邮件的形式发送给相关工作人员,经过人工审核通过后,在B系统里面开通,A系统会调B系统套餐列表接口查询套餐是否开通成功,开通成功则从A系统去完成订单,假如超过设定时间未开…...
解密 AI 客服；在不同硬件设备上运行大型语言模型的可能性
🦉 AI新闻 🚀 微软必应首席执行官称必应聊天优于OpenAI的GPT-4，但成本更高 摘要：微软必应的首席执行官米哈伊尔・帕拉欣表示，必应聊天表现优于OpenAI的GPT-4，但使用了更高成本的检索增强推理技术。必应聊…...
问题:【IntelliJ IDEA】解决idea自动声明变量加finall修饰符问题
问题:【IntelliJ IDEA】解决idea自动声明变量加finall修饰符问题 场景复现 1 new String() 2 快捷方式生成变量 final修饰的 final String s new String();步骤一：确保settings配置信息 settings-----》Editor------》Code Style--------》java下的这两个选项不…...
SpringBoot基于Zookeeper实现分布式锁
文章目录 问题背景前言实现搭建Zookeeper容器引入依赖ZK客户端的配置类ZK客户端的工厂类注入bean构建测试类 问题背景 研究分布式锁，基于ZK实现，需要整合到SpringBoot使用 前言 参考自SpringBoot集成Curator实现Zookeeper基本操作，Zookeeper入…...
AT89C51单片机实现单片机串口互动（中断方式，单片机--单片机，应答）
说一下功能：客户机发送0x01到服务机 2服务单片机应答0xf2到客户机 3客户机接收到0xf2,发送信息153432这6个数字到服务机 4client发送完信息后发送0xaa结束通信 5server接收到0xaa后回复0xaa结束通信，从此老死不相往来 看代码： //发送端…...
九耶丨阁瑞钛伦特-请说说你在工作中的PRD文档是如何撰写的？
1、背景说明（解释清楚为什么要做这样一件事，以及做这件事的价值，先把观点拉齐，才方便接下来的工作开展） 简要介绍与项目相关的背景信息、项目要满足的用户需求、开展项目的主要原因、项目期望上线时间、项目涉及的具体…...
Android免打包多渠道统计如何实现
摘要： 实际上只要完成1-2步即可实现多渠道打包，这也意味着，只要每次更新App时给出一个原始包，运营人员就能在后台自己进行操作管理，简单快捷到全程无需开发人员参与。 我们都知道，Android 市场被分割成几十…...
Apipost CICD怎么配置？
配置CI/CD Apipost自动化测试新增CI/CD，配置运行环境、循环次数、间隔停顿后点击保存会生成命令，在安装Apipost的服务器中输入命令即可运行测试脚本。 自动化测试 创建自动化测试脚本在创建好的测试用例中选择「CICD」，点击新建，…...
utf-8和utf-8 mb4区别
UTF-8（Unicode Transformation Format-8）和UTF-8MB4（UTF-8 Multibyte 4-byte）是字符编码方案，用于表示 Unicode 字符集中的字符。它们之间的主要区别在于编码范围。 UTF-8：UTF-8 是一种变长编码方式&#x…...
考研 408 | 【计算机网络】 应用层
导图 网络应用模型 客户/服务器（c/s）模型 P2P模型 DNS 域名 域名服务器 域名解析过程 文件传输协议FTP FTP服务器和用户端 FTP工作原理 电子邮件 电子邮件的信息格式 组成结构 邮件服务器的功能： 1.发送&接收邮件 2.给发件人报告邮…...
设计模式-单例
概述 在类加载后，整个系统只有一个实例类 饿汉式 public class Mg1 {private static final Mg1 INSTANCE new Mg1();private Mg1(){}public static Mg1 getInstance(){return INSTANCE;}public static void main(String[] args) {System.out.println(Mg1.getIns…...
mysql截取最后一个字符之前的数据
1、mysql截取最后一个字符之前的数据 select --截取斜杠之前的数据REVERSE(SUBSTR(REVERSE(SPNH-dfg-2012) ; --截取斜杠后的数据 INSTR(REVERSE(SPNH-fg-2012),-)1))2、mysql获取最后一个字符后的数据 select SUBSTRING_INDEX(SPNH-dfg-2012,-,-1) 3、mysql更新某个字段…...
Flutter 中，ListView 中需要放置 ListView 需要怎么处理才高效？
问题及场景 ListView 是 Flutter 开发者第一个学习到的 Widget，因为它可以滑动。一切都会运行得很好，直到 ListView 中的 Item 本身也是一个 ListView。你可能会看到 Flutter 建议你将内部的 ListView 的ShrinkWrap 属性设置为 True。虽然错误消除了&am…...
Appium Desktop安装
【提示：官方已不再维护，建议命令行方式安装，但可以学习了解一下】 Appium Desktop是一款适用于Mac、Windows和Linux的应用程序，它以漂亮灵活的UI为您提供Appium自动化服务器的强大功能。它基本上是Appium Server的图形界面。您可…...
Linux操作系统安全管理概述与命令操作
前言： 1.本文将详细描述让读者了解Linux操作系统安全管理的概述和SELinux安全上下文以及基础操作命令； 2.本文将让读者掌握Linux操作系统防火墙firewall的结构和命令使用方法； 3.了解Iptables防火墙配置的结构与特点以及…...
RAG理论基础总结
目录 概念 流程 文档收集和切割 读取文档 转换文档 写入文档 向量转换和存储 搜索请求构建 向量存储工作原理 向量数据库 文档过滤和检索 检索前 检索 检索后 查询增强和关联 QuestionAnswerAdvisor查询增强 高级RAG架构 自纠错 RAG（C-RAG…...
[Windows]在Win上安装bash和zsh - 一个脚本搞定
目录 前言安装步骤配置要求下载安装脚本启动程序 前言 Windows是一个很流行的系统, 但是在Windows上安装bash和zsh一直是一个让人头疼的问题. 本蛙特意打包了一个程序, 用于一站式解决这一类的问题. 安装步骤 配置要求 系统: Windows软件: Powershell 5.1或以上 下载安装…...
【实例】事业单位学习平台自动化操作
目录 一、创作背景： 二、实现逻辑： 三、代码分析【Deepseek分析】： 1） 主要功能 2）核心组件 2.1 GUI界面 (AutomationApp类) 2.2 浏览器自动化 2.3 平台特定处理 3） 关键技术 4）代码亮点 5）总结 四、运行截图： 五、程序代码： 特别声明：***本代码仅限编程学…...
代码随想录打卡|Day51 图论（dijkstra（堆优化版）精讲、Bellman_ford 算法精讲）
图论part09 dijkstra（堆优化版）精讲(不熟悉) 代码随想录链接 题目链接 import java.util.*;class Edge {int to; // 邻接顶点int val; // 边的权重Edge(int to, int val) {this.to to;this.val val;} }class MyComparison implements Comparator<…...
matlab实现图像压缩编码
一、基于DCT的JPEG压缩（有损） 1. 核心步骤 图像分块：将图像划分为88的小块。离散余弦变换（DCT）：对每个块进行DCT变换。量化：对DCT系数进行量化以减少高频信息。熵编码：使用哈夫曼或…...
JAVA实战开源项目：精简博客系统 (Vue+SpringBoot) 附源码
本文项目编号 T 215 ，文末自助获取源码 \color{red}{T215，文末自助获取源码} T215，文末自助获取源码 目录 一、系统介绍二、数据库设计三、配套教程3.1 启动教程3.2 讲解视频3.3 二次开发教程 四、功能截图五、文案资料5.1 选题背景5.2 国内…...
近期知识库开发过程中遇到的一些问题
我们正在使用Rust开发一个知识库系统，遇到了一些问题，在此记录备忘。 错误：Unable to make method calls because underlying connection is closed 场景：在docker中调用headless_chrome时出错 原因：为减小镜像大小&am…...
(9)-Fiddler抓包-Fiddler如何设置捕获Https会话
1.简介 由于近几年来各大网站越来越注重安全性都改成了https协议，不像前十几年前直接是http协议直接裸奔在互联网。接着讲解如何抓取https协议会话。 2.什么是HTTPS？ HTTPS就是加过密的HTTP。使用HTTPS后，浏览器客户端和Web服务器传输的数…...
STM32F407寄存器操作（ADC非连续扫描模式）
1.前言 书接上回，在看手册的时候我突然发现手册上还描述了另一种ADC扫描模式，即非连续扫描模式，想着连续扫描模式都已经探索过了，那就顺手把非非连续模式研究一下吧。 2.理论 我们先看看手册，这里我就以规则通道举例…...