Python利用Beautiful Soup模块创建对象详解

2024-02-26 18:42:04 158

安装

通过pip安装BeautifulSoup模块：pipinstallbeautifulsoup4。

还可以使用PyCharmIDE来写代码，在PyCharm中的Preferences中找到Project，在里面搜索BeautifulSoup模块，进行安装即可。

创建BeautifulSoup对象

BeautifulSoup模块广泛使用从网页中得到数据。我们能够使用BeautifulSoup模块从HTML/XML文档中提取任何数据，例如，网页中的所有链接或者标签内的内容。

为了实现这一点，BeautifulSoup提供了不同的对象和方法。任何的HTML/XML文档能够转化成不同的BeautifulSoup对象，这些对象有着不同的属性和方法，我们能够从中提取到需要的数据。

BeautifulSoup总共有如下三种对象：

BeautifulSoup
Tag
NavigableString

创建BeautifulSoup对象

创建一个BeautifulSoup对象是任何BeautifulSoup工程的起点。

BeautifulSoup可以通过传一个字符串或者类文件对象(file-likeobject)，例如机器上的文件或者网页。

通过字符串创建BeautifulSoup对象

在BeautifulSoup的构造器中通过传递一个字符串来创建对象。

helloworld='HelloWorld'
soup_string=BeautifulSoup(helloworld)
printsoup_string
HelloWorld

通过类文件对象创建BeautifulSoup对象

在BeautifulSoup的构造器中通过传递一个类文件对象（file-likeobject）来创建对象。这在解析在线网页时非常有用。

url="http://www.glumes.com"
page=urllib2.urlopen(url)
soup=BeautifulSoup(page)
printsoup

除了传递类文件对象之外，我们还可以传递本地文件对象到BeautifulSoup的构造器来生成对象。

withopen('foo.html','r')asfoo_file:
soup_foo=BeautifulSoup(foo_file)
printsoup_foo

为XML解析创建BeautifulSoup对象

BeautifulSoup模块同样能够用来解析XML。

当创建一个BeautifulSoup对象时，BeautifulSoup模块将会选择合适的TreeBuilder类来创建HTML/XML树。默认情况下，选择HTMLTreeBuilder对象，它将使用默认的HTML解析器，产生一个HTML结构树。在上面的代码中，由字符串生成BeautifulSoup对象，就是将它解析成了HTML树结构。

如果我们想要BeautifulSoup模块将输入的内容解析为XML类型，那么就需要在BeautifulSoup构造器中精确指定使用的features参数。通过特定的features参数，BeautifulSoup将会选择最适合的TreeBuilder类来满足我们想要的特征。

理解features参数

每一个TreeBuilder根据它使用的解析器将会有不同的特征。因此，输入的内容根据传递到构造器的features参数也会有不同的结果。
在BeautifulSoup模块中，TreeBuilder当前使用的解析器如下：

lxml
html5lib
html.parser

BeautifulSoup构造器的features参数能够接受一个字符串列表或一个字符串值。

当前，每一个TreeBuilder支持的features参数和解析器如下表所示：

Features	TreeBuilder	Parser
[‘lxml','html','fast','permissive']	LXMLTreeBuilder	lxml
[‘html','html5lib','permissive','strict','html5′]	HTML5TreeBuilder	html5lib
[‘html','strict','html.parser']	HTMLParserTreeBuilder	html.parser
[‘xml','lxml','permissive','fast']	LXMLTreeBuilderForXML	lxml

根据指定的feature参数，BeautifulSoup将会选择最合适的TreeBuilder类。如果在指定对应的解析器时，出现如下的报错信息，可能就是需要安装对应的解析器了。

bs4.FeatureNotFound:Couldn'tfindatreebuilderwiththefeaturesyourequested:html5lib.
Doyouneedtoinstallaparserlibrary?

就HTML文档而言，选择TreeBuilder的顺序是基于解析器建立的优先级，就如上表格所示的优先级。首先是lxml，其次是html5lib，最后才是html.parser。例如，我们选择html字符串作为feature参数，那么如果lxml解析器可用，则BeautifulSoup模块将会选择LXMLTreeBuilder。如果lxml不可用，则会选择根据html5lib解析器选择HTML5TreeBuilder。如果在不可用，则会选择根据html.parser选择HTMLParserTreeBuilder了。

至于XML，由于lxml是唯一的解析器，所以LXMLTreeBuilderForXML总是会被选择的。

所以，为XML创建一个BeautifulSoup对象的代码如下：

helloworld='HelloWorld'
soup_string=BeautifulSoup(helloworld,features="xml")
printsoup_string

输入的结果也是XML形式的文件：

在创建BeautifulSoup对象时，更好的实践是指定解析器。这是因为，不同的解析器解析的结果内容大不相同，尤其是在我们的HTML文档内容非法时，结果更为明显。

当我们创建一个BeautifulSoup对象时，Tag和NavigableString对象也就创建了。

创建Tag对象

我们可以从BeautifulSoup对象中得到Tag对象，也就是HTML/XML中的标签。

如下HTML代码所示：

#!/usr/bin/python
#-*-coding:utf-8-*-
frombs4importBeautifulSoup
html_atag="""


Testhtmlatagexample
Home
Blog


"""
soup=BeautifulSoup(html_atag,'html.parser')
atag=soup.a
printtype(atag)
printatag

从结果中可以看到atag的类型是。而soup.a的结果就是HTML文档中的第一个标签。
HTML/XML标签对象具有名称和属性。名称就是标签的名字，例如标签的名称就是a。属性则是标签的class、id、style等。Tag对象允许我们得到HTML标签的名称和属性。

Tag对象的名称

通过.name方式得到Tag对象的名称。

tagname=atag.name
printtagname

同时也能够改变Tag对象的名称：

atag.name='p'

这样就将上面HTML文档中的第一个标签名称换成了

标签了。

Tag对象的属性

在HTML页面中，标签可能有不同的属性，例如class、id、style等。Tag对象能够以字典的形式访问标签的属性。

atag=soup_atag.a
printatag

也能通过.attrs的方式访问到，这样会将所有的属性内容都打印出来：

printatag.attrs
{'href':u'http://www.glumes.com'}

创建NavigableString对象

NavigableString对象持有HTML或XML标签的文本内容。这是一个Unicode编码的字符串。

我们可以通过.string的方式得到标签的本文内容。

navi=atag.string
printtype(navi)
printnavi.string

小结

代码小结如下：

BeautifulSoup

soup=BeautifulSoup(String)
soup=BeautifulSoup(String,features=”xml”)

Tag

tag=soup.tag
tag.name
tag[‘attribute']

NavigableString

soup.tag.string

总结

以上就是关于Python使用BeautifulSoup模块创建对象的全部内容了，希望本文的内容对大家的学习或者工作能带来一定的帮助，如果有疑问大家可以留言交流。

Python利用Beautiful Soup模块创建对象详解

热门推荐

随机推荐