当前位置： 首页 > news >正文

Python爬虫之使用BeautifulSoup进行HTML Document文档的解析

news 2026/3/31 4:38:41

BeautifulSoup 是一个用于解析 HTML 和 XML 文档的 Python 库，它为开发者提供了一种简单的方式来查找、遍历和修改文档树。BeautifulSoup 特别擅长处理不规则或格式不佳的标记语言，可以自动更正无效的 HTML，因此在网页抓取（Web Scraping）中非常受欢迎。

【1】基本介绍

主要特点

  • 易于使用：提供了直观的方法来导航、搜索和修改解析树。
  • 容错性强：能够处理有缺陷的 HTML，并尝试生成最可能的解析结果。
  • 多种解析器：支持 Python 标准库中的 HTML 解析器，以及第三方解析器如 lxml 和 html5lib。
  • 链式调用：可以通过连续调用方法来构建查询，使得代码更加简洁和易读。

安装

你可以通过 pip 安装 BeautifulSoup：

pip install beautifulsoup4

如果需要安装额外的解析器，比如 lxml 或 html5lib，也可以通过 pip 安装：

pip install lxml
pip install html5lib

【2】 基本用法

下面是一个简单的例子，展示如何使用 BeautifulSoup 来解析 HTML 内容并提取信息：

<!DOCTYPE html>
<html lang="en">
<head><meta charset="UTF-8"><title>Title</title>
</head>
<body><div><ul><li id="l1">张三</li><li id="l2">李四</li><li>王五</li><a href="" id="" class="a1">尚硅谷</a><span>嘿嘿嘿</span></ul></div><a href="" title="a2">百度</a><div id="d1"><span>哈哈哈</span></div><p id="p1" class="p1">呵呵呵</p>
</body>
</html>

lxml内核解析本地文件：

# 默认打开的文件的编码格式是gbk 所以在打开文件的时候需要指定编码
soup = BeautifulSoup(open('1.html',encoding='utf-8'),'lxml')

lxml内核解析网络文件：

url = 'https://www.starbucks.com.cn/menu/'
response = urllib.request.urlopen(url)
content = response.read().decode('utf-8')
soup = BeautifulSoup(content,'lxml')

BeautifulSoup 提供了多种方法来寻找文档中的元素：

  • find_all(name, attrs, recursive, string, limit, **kwargs)：查找所有符合条件的标签。
  • find(name, attrs, recursive, string, **kwargs)：查找第一个符合条件的标签。
  • select(selector)：使用 CSS 选择器来查找元素。
  • find_parent(name, attrs, **kwargs) 和 find_parents(name, attrs, **kwargs)：向上查找父级标签。
  • find_next_sibling(name, attrs, **kwargs) 和 find_next_siblings(name, attrs, **kwargs)：查找后面的兄弟标签。
  • find_previous_sibling(name, attrs, **kwargs) 和 find_previous_siblings(name, attrs, **kwargs)：查找前面的兄弟标签。
from bs4 import BeautifulSoup
# 默认打开的文件的编码格式是gbk 所以在打开文件的时候需要指定编码
soup = BeautifulSoup(open('1.html',encoding='utf-8'),'lxml')
# 根据标签名查找节点
# 找到的是第一个符合条件的数据
# print(soup.a)
# 获取标签的属性和属性值
# print(soup.a.attrs)

① find

# 返回的是第一个符合条件的数据
# print(soup.find('a'))# 根据title的值来找到对应的标签对象
# print(soup.find('a',title="a2"))# 根据class的值来找到对应的标签对象  注意的是class需要添加下划线
# print(soup.find('a',class_="a1"))

② find_all

返回的是一个列表 并且返回了所有的a标签

# print(soup.find_all('a'))# 如果想获取的是多个标签的数据 那么需要在find_all的参数中添加的是列表的数据
# print(soup.find_all(['a','span']))# limit的作用是查找前几个数据
# print(soup.find_all('li',limit=2))

③ select（推荐）

# select方法返回的是一个列表  并且会返回多个数据
# print(soup.select('a'))# 可以通过.代表class  我们把这种操作叫做类选择器
# print(soup.select('.a1'))# print(soup.select('#l1'))

属性选择器—通过属性来寻找对应的标签

# 查找到li标签中有id的标签
# print(soup.select('li[id]'))# 查找到li标签中id为l2的标签
# print(soup.select('li[id="l2"]'))

层级选择器/后代选择器

# 找到的是div下面的li
# print(soup.select('div li'))# 子代选择器
#  某标签的第一级子标签
# 注意：很多的计算机编程语言中 如果不加空格不会输出内容  但是在bs4中 不会报错 会显示内容
# print(soup.select('div > ul > li'))# 找到a标签和li标签的所有的对象
# print(soup.select('a,li'))

获取节点内容

# obj = soup.select('#d1')[0]
# print(obj.string)
# print(obj.get_text())

如果标签对象中 只有内容 那么string和get_text()都可以使用，如果标签对象中 除了内容还有标签 那么string就获取不到数据 ，而get_text()是可以获取数据

我们一般情况下 推荐使用get_text()。

节点的属性

# obj = soup.select('#p1')[0]
# name是标签的名字
# print(obj.name)
# 将属性值左右一个字典返回
# print(obj.attrs)# 获取节点的属性
obj = soup.select('#p1')[0]print(obj.attrs.get('class'))
print(obj.get('class'))
print(obj['class'])

相关文章：

Python爬虫之使用BeautifulSoup进行HTML Document文档的解析

BeautifulSoup 是一个用于解析 HTML 和 XML 文档的 Python 库&#xff0c;它为开发者提供了一种简单的方式来查找、遍历和修改文档树。BeautifulSoup 特别擅长处理不规则或格式不佳的标记语言&#xff0c;可以自动更正无效的 HTML&#xff0c;因此在网页抓取&#xff08;Web Sc…...

编程日记 2024/12/12 15:54:46

vue.config.js配置参数说明新手教程

这篇文章主要是对vue.config.js配置文件的主要参数进行一下说明&#xff0c;方便使用时的查询&#xff0c; 下面进行介绍 1、vue.config.js vue.config.js 是一个可选的配置文件&#xff0c;如果项目的 (和 package.json 同级的) 根目录中存在这个文件&#xff0c;那么它会被…...

编程日记 2024/12/12 15:52:42

C# 关于加密技术以及应用(二)

AES&#xff08;Advanced Encryption Standard&#xff09;和 RSA&#xff08;Rivest-Shamir-Adleman&#xff09;是两种不同的加密算法&#xff0c;它们各自有特定的使用场景和优势。下面是它们的主要区别和适用场景&#xff1a; AES&#xff08;高级加密标准&#xff09; 特…...

编程日记 2024/12/12 15:50:40

视频中的某些片段如何制作GIF表情包？

动态表情包&#xff08;GIF&#xff09;已经成为我们日常沟通中不可或缺的一部分。GIF&#xff08;Graphics Interchange Format&#xff09;&#xff0c;即图形交换格式&#xff0c;是一种支持多帧图像和透明度的位图文件格式。它最初由 CompuServe 公司在 1987 年推出&#x…...

编程日记 2024/12/12 15:48:37

图像识别 | Matlab基于卷积神经网络(CNN)的宝可梦识别源程序，GUI界面。附详细的运行说明。

图像识别 | Matlab基于卷积神经网络(CNN)的宝可梦识别源程序&#xff0c;GUI界面。附详细的运行说明。 目录 图像识别 | Matlab基于卷积神经网络(CNN)的宝可梦识别源程序&#xff0c;GUI界面。附详细的运行说明。预测效果基本介绍程序设计参考资料 预测效果 基本介绍 Matlab基…...

编程日记 2024/12/12 15:46:35

String【Redis对象篇】

&#x1f3c6; 作者简介&#xff1a;席万里 ⚡ 个人网站&#xff1a;https://dahua.bloggo.chat/ ✍️ 一名后端开发小趴菜&#xff0c;同时略懂Vue与React前端技术&#xff0c;也了解一点微信小程序开发。 &#x1f37b; 对计算机充满兴趣&#xff0c;愿意并且希望学习更多的技…...

编程日记 2024/12/12 15:44:33

top命令和系统负载

1 top中的字段说明 top是一个实时系统监视工具&#xff0c;可以动态展现出 CPU 使用率、内存使用情况、进程状态等信息&#xff0c;注意这些显示的文本不能直接使用 > 追加到文件中。 [rootvv~]# top -bn 1 | head top - 20:08:28 up 138 days, 10:29, 4 users, load av…...

编程日记 2024/12/12 15:43:30

ES6 混合 ES5学习记录

基础 数组 let arr [数据1&#xff0c;数据2&#xff0c;...数组n] 使用数组 数组名[索引] 数组长度 arr.length 操作数组 arr.push() 尾部添加一个,返回新长度 arr.unshift() 头部添加一个,返回新长度 arr.pop() 删除最后一个,并返回该元素的值 shift 删除第一个单元…...

编程日记 2024/12/12 15:42:28

HTTP 状态码大全

常见状态码 200 OK # 客户端请求成功 400 Bad Request # 客户端请求有语法错误 不能被服务器所理解 401 Unauthorized # 请求未经授权 这个状态代码必须和WWW- Authenticate 报头域一起使用 403 Forbidden # 服务器收到请求但是拒绝提供服务 404 Not Found # 请求资源不存…...

编程日记 2024/12/12 15:40:26

Redis学习（13）| Redisson 看门狗机制深度解析

文章目录 摘要1. 引言2. 看门狗的工作原理2.1 自动续期2.2 防止意外释放2.3 合理配置 3. 应用场景4. 最佳实践4.1 设置合理的lockWatchdogTimeout4.2 避免死锁4.3 监控和日志 5. 实现方式6. 使用示例7. 结论 摘要 Redisson 是一个用于 Redis 的 Java 客户端&#xff0c;它提供…...

编程日记 2024/12/12 15:36:21

【开源大屏】玩转开源积木BI，从0到1设计一个大屏

积木 BI 重磅推出免费大屏设计器&#xff01;功能超强大&#xff0c;操作超流畅&#xff0c;体验超酷炫。快来体验一下吧。 让我们一起来看一下如何从0到1设计一个大屏。 一、积木BI大屏介绍 积木BI可视化数据大屏 是一站式数据可视化展示平台&#xff0c;旨在帮助用户快速通…...

编程日记 2024/12/12 15:34:19

基于PCRLB的CMIMO雷达资源调度方法（MATLAB实现）

集中式多输入多输出CMIMO雷达作为一种新体制雷达&#xff0c;能够实现对多个目标的同时多波束探测&#xff0c;在多目标跟踪领域得到了广泛运用。自从2006年学者Haykin提出认知雷达理论&#xff0c;雷达资源分配问题就成为一个有实际应用价值的热点研究内容。本文基于目标跟踪的…...

编程日记 2024/12/12 15:33:17

PAT--1035 插入与归并

题目描述 根据维基百科的定义&#xff1a; 插入排序是迭代算法&#xff0c;逐一获得输入数据&#xff0c;逐步产生有序的输出序列。每步迭代中&#xff0c;算法从输入序列中取出一元素&#xff0c;将之插入有序序列中正确的位置。如此迭代直到全部元素有序。 归并排序进行如…...

编程日记 2024/12/12 15:31:14

Ubuntu20.04.6编译OpenWRT23.05.5错误

在Ubuntu20.04.6编译OpenWRT23.05.5时&#xff0c;会出现如下提示&#xff1a; fatal error: asm/types.h: No such file or directory 如果我们执行如下命令&#xff1a; sudo ln -s /usr/include/asm-generic /usr/include/asm 此时再次编译&#xff0c;会有如下提示&…...

编程日记 2024/12/12 15:29:56

一文说清flink从编码到部署上线

引言：目前flink的文章比较多，但一般都关注某一特定方面，很少有一个文章，从一个简单的例子入手，说清楚从编码、构建、部署全流程是怎么样的。所以编写本文，自己做个记录备查同时跟大家分享一下。本文以简单的mysql cdc为例展开说明。 环境说明：MySQL：5.7；flink：1.14.0…...

编程日记 2024/12/12 15:24:00

【5G】5G Physical Layer物理层（一）

5G多址接入和物理层与长期演进&#xff08;LTE&#xff09;存在一些差异。在下行方向&#xff0c;5G与LTE相似&#xff0c;依旧采用正交频分多址&#xff08;OFDMA&#xff09;。而在上行方向&#xff0c;5G采用了OFDMA和单载波频分多址&#xff08;SC-FDMA&#xff09;&#x…...

编程日记 2024/12/12 15:20:13

GauHuman阅读笔记【3D Human Modelling】

笔记目录 1. 基本信息2. 理解（个人初步理解，随时更改）3. 精读SummaryResearch Objective(s)Background / Problem StatementMethod(s)EvaluationConclusionReferences1. 基本信息 题目：GauHuman: Articulated Gaussian Splatting from Monocular Human Videos时间：2023.12…...

编程日记 2024/12/12 15:13:04

qemu安装arm64架构银河麒麟

qemu虚拟化软件&#xff0c;可以在一个平台上模拟另一个硬件平台&#xff0c;可以支持多种处理器架构。 一、安装 安装教程&#xff1a;https://blog.csdn.net/qq_36035382/article/details/125308044 下载链接&#xff1a;https://qemu.weilnetz.de/w64/2024/ 我下载的是 …...

编程日记 2024/12/12 14:57:47

在Elasticsearch (ES) 中，integer 和 integer_range的区别

在Elasticsearch (ES) 中，integer 和 integer_range 是两种不同的字段类型，它们用于存储和查询不同类型的数据。 Integer: integer 类型是用于存储32位整数值的简单数据类型。这个类型的字段适合用来表示单一的整数数值，例如用户的年龄、商品的数量等。支持标准的数值操作，…...

编程日记 2024/12/12 14:53:43

Playwright中Page类的方法

导航和页面操作 goto(url: str, **kwargs: Any): 导航到一个URL。 reload(**kwargs: Any): 重新加载当前页面。 go_back(**kwargs: Any): 导航到会话历史记录中的前一个页面。 go_forward(**kwargs: Any): 导航到会话历史记录中的下一个页面。 set_default_navigation_tim…...

编程日记 2024/12/12 14:51:40

springboot+vue基于web的校园商铺摊位管理系统

目录功能模块分析技术实现要点扩展功能建议数据库设计关键表项目技术支持源码获取详细视频演示 &#xff1a;文章底部获取博主联系方式&#xff01;同行可合作##同行可拿货,招校园代理 ,本人源头供货商功能模块分析 后台管理模块&#xff08;SpringBoot&#xff09; 管理员登…...

编程新知 2026/3/31 4:03:02

嵌入式电子罗盘教学原型：磁力计与IMU传感器融合实践

1. 项目概述 “LCD-Ecompass-Postemsky”是一个面向嵌入式教学实践的简易电子罗盘&#xff08;E-Compass&#xff09;系统&#xff0c;由阿根廷圣路易斯国立大学&#xff08;Universidad Nacional de San Luis, UNSL&#xff09;电子工程系为本科生实验课程设计。项目名称中的“…...

编程新知 2026/3/31 2:17:29

利用爱毕业aibiye等智能软件，论文写作与编程工作流程得到革新，AI为学术研究提供新思路

文章总结表格&#xff08;工具排名对比&#xff09; 工具名称 核心优势 aibiye 精准降AIGC率检测&#xff0c;适配知网/维普等平台 aicheck 专注文本AI痕迹识别&#xff0c;优化人类表达风格 askpaper 快速降AI痕迹&#xff0c;保留学术规范 秒篇 高效处理混AIGC内容&…...

编程新知 2026/3/31 1:05:00

Qwen3-4B Instruct-2507实操手册：自定义system prompt提升专业领域表现

Qwen3-4B Instruct-2507实操手册&#xff1a;自定义system prompt提升专业领域表现 1. 引言&#xff1a;为什么需要自定义system prompt&#xff1f; 你可能已经体验过Qwen3-4B Instruct-2507的流畅对话了。它写代码、做翻译、回答一般问题都挺在行。但有时候&#xff0c;你可…...

编程新知 2026/3/30 21:43:05

OpenClaw 的模型预训练中，是否使用了对比学习与自回归的混合目标？

关于OpenClaw模型预训练中是否使用了对比学习与自回归的混合目标&#xff0c;这个问题其实触及了当前大语言模型训练方法中一个比较核心的演进方向。从公开的技术报告和论文细节来看&#xff0c;OpenClaw的设计思路确实体现了将不同训练目标融合的趋势&#xff0c;但具体到“对…...

编程新知 2026/3/30 21:24:59

Eclipse Paho Android连接管理：自动重连与离线消息缓冲的完整实现指南

Eclipse Paho Android连接管理&#xff1a;自动重连与离线消息缓冲的完整实现指南 【免费下载链接】paho.mqtt.android Eclipse Paho是一个开源的物联网消息代理库。它支持多种协议&#xff0c;包括MQTT、AMQP和HTTP&#xff0c;并提供各种语言的客户端库。Paho适用于需要在物联…...

编程新知 2026/3/30 21:12:57

智能卡开发实战：ISO7816 APDU命令与响应全解析（附常见错误码对照表）

智能卡开发实战&#xff1a;ISO7816 APDU命令与响应全解析&#xff08;附常见错误码对照表&#xff09; 第一次接触智能卡开发时&#xff0c;我被APDU通信的严谨性震撼到了——这就像在和一个极度注重礼仪的外交官对话&#xff0c;任何格式错误都会导致沟通中断。作为嵌入式工程…...

编程新知 2026/3/30 20:54:50

DW_apb_uart初始化全流程解析：从时钟门控到中断配置的15个关键步骤

DW_apb_uart深度初始化指南&#xff1a;从寄存器配置到中断优化的15个实战要点 在嵌入式系统开发中&#xff0c;UART通信作为最基础却又最关键的接口之一&#xff0c;其稳定性和性能直接影响整个系统的可靠性。DW_apb_uart作为业界广泛使用的高性能UART IP核&#xff0c;其初始…...

编程新知 2026/3/30 20:18:27

Verilog握手信号实战：如何用valid/ready搭建高效数据流水线（附完整代码）

Verilog握手信号实战&#xff1a;如何用valid/ready搭建高效数据流水线&#xff08;附完整代码&#xff09; 在FPGA开发中&#xff0c;数据流水线是实现高性能计算的关键架构。但当我们面对不同处理速度的模块时&#xff0c;如何确保数据既不丢失又不阻塞&#xff1f;valid/rea…...

编程新知 2026/3/30 20:12:25

macOS效率工具：Dozer极简菜单栏管理方案

macOS效率工具&#xff1a;Dozer极简菜单栏管理方案 【免费下载链接】Dozer Hide menu bar icons on macOS 项目地址: https://gitcode.com/gh_mirrors/do/Dozer 在现代工作环境中&#xff0c;macOS用户常常面临菜单栏图标过多导致的视觉混乱问题。随着各类应用程序的安…...

编程新知 2026/3/30 18:59:00