1：bs4 简介
1.1：bs4是什么
- bs4全称：beautifulsoup4，意思为美丽的汤版本4
- 可以在HTML或XML文件中提取数据的网页信息提取库
1.2：有什么用
1.3：有什么意义
- pc端网络中抓取数据如：百度网站、腾讯网站等，随着的网络种类的增多，我们应该去寻找解析这个网站最适合的解析方法
- 与re和xpath模块的区别：
- re模块：使用起来过于麻烦且阅读性不好
- xpath模块：需要使用一些特定的语法
- bs4模块：只需要记住一些方法如：find()、find_all()，后面会发现bs4可以认为是re和xpath的混合使用
- 总结
- 在爬取不同的网站的时候，寻找最适合的解析数据方法
- 可以与别的解析方法进行比较
2：bs4源码分析
- 分析bs4的源码用来提高对bs4模块的认识
- 源码下载：github下载源码
- 安装模块：先安装lxml模块，在安装bs4模块
2.1：为什么分析源码
- 了解原理、了解工作方法
- 学习思路
- 开发者必备的一项技能
3：bs4快速入门
- bs4是依赖lxml库的，只有先安装lxml库才可以安装bs4库
3.1：创建一个soup对象
from bs4 import BeautifulSoup
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:///elsie" class="sister" id="link1">Elsie</a>,
<a href="http:///lacie" class="sister" id="link2">Lacie</a> and
<a href="http:///tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
# 因为BeautifulSoup是一个类，所以要实例化类，参数html_doc是要转化为soup对象的数据，features则是要转化为soup对象时编码的方法
soup = BeautifulSoup(html_doc, features="lxml")
# prettify：意思是把soup对象漂亮的打印出来
print(soup.prettify())
- features=“lxml”：解析器，就是把lxml数据转化为soup数据的编码方法
3.2：bs4、xpath和re的比较
- 1：re模块：语法简单，但是不好编写而且阅读性差
- 2：xpath模块：使用方法简单，但是要记住xpath语法，并且在使用的时候还要把数据转化为element对象才可以使用xpath语法进行索引导航
- 3：bs4：可以说是re模块和xpath模块的混合版，可以使用特定的字符串来索引，并且不需要把数据进行转化，但是要对数据进行编译为soup对象，才可以使用soup对象中的方法
- 总结：这三种解析数据的方法都各有利弊，我们在解析网页数据的时候，只要寻找最合适的解析数据的方法就可以了，这三个解析方法没有没有高低之分，只要找到最合适的解析方法就合适了。
3.3：bs4常用方法
3.3.1：获取一个标签及标签里面的内容
- 语法：soup.tag_name
print(soup.title) - 返回值：
<title>The Dormouse's story</title>
3.3.2：只获取一个标签里面的内容，不获取标签
print(soup.title.string)
3.3.3：只获取标签名
- 语法：soup.title.name
print(soup.title.name) - 返回值：
title - 总结：感觉这个方法没有什么用，因为我们就是通过标签名来获取标签名的
3.3.4：获取多个标签
- soup.title：只可以获取一个数据为title的标签数据，但是要多个title标签的时候只返回第一个title标签
- find_all('a’)：可以获得所有的标签a，以一个列表的形式返回
soup.find_all('a') - 返回值：
[<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:///elsie" id="link1">Elsie</a>,
<a class="sister" href="http:///lacie" id="link2">Lacie</a> and
<a class="sister" href="http:///tillie" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>, <p class="story">...</p>]
3.3.5：得到标签的属性值
links = soup.find_all('a')
for link in links:
print(link.get('href'))
http:///elsie
http:///lacie
http:///tillie
4：bs4的对象种类（了解）
- 主要有
- tag : 标签
- NavigableString : 可导航的字符串
- BeautifulSoup : bs对象
- Comment : 注释
4.1：tag使用方法
- soup.title
- 结果：获得的是一个标签的标签和内容
4.2：NavigableString 使用方法
- soup.title.string
- 结果：获得的是一个标签里面的数据
4.3：BeautifulSoup使用方法
- 我们一直在使用这个方法，用来创建一个bs4（soup）对象
- 结果：一个soup对象
4.4：Comment使用方法
- soup.string
- 如果标签的内容为注释内容返回的就是Comment对象
5：遍历文档树
- bs里面有三种情况，第一个是遍历，第二个是查找，第三个是修改
ontents、children、descendants方法总结
| 方法名 | 描述 |
|---|
| contents | 返回的是一个所有子节点的列表 | | children | 返回的是一个子节点的迭代器通 | | descendants | 返回的是一个生成器遍历子子孙孙 |
string、strings、stripped_strings方法总结
| 方法名 | 描述 |
|---|
| string | 获取标签里面的内容 | | strings | 返回是一个生成器对象用过来获取多个标签内容 | | stripped_strings | 和strings基本一致 但是它可以把多余的空格去掉 |
遍历文档树 遍历父节点,parent 和 parents
| 方法名 | 描述 |
|---|
| parent | 直接获得父节点 | | parents | 获取所有的父节点 |
遍历文档树 遍历兄弟结点
| 方法名 | 描述 |
|---|
| next_sibling | 下一个兄弟结点 | | previous_sibling | 上一个兄弟结点 | | next_siblings | 下一个所有兄弟结点 | | previous_siblings | 上一个所有兄弟结点 |
6：find()和find_all()方法（重点）
- 是两个方法，需要传递参数
- 有字符串过滤器和列表过滤器，用来过滤不需要的数据（无用的数据）
6.1：字符串过滤器
- 可以找到一个符合条件的数据
- 1：语法：
soup.find('a')
- 与soup.a的作用一样
- 作用：获取数据中的第一个’a’标签
- 2：soup.find_all('a’)
- 作用：获取数据中所有’a’标签的数据
6.2：列表过滤器
- 可以同时获取多个想要的数据
- soup.find_all['title’, 'a’]
- 要筛选的数据用列表封装
- 作用：返回数据中所有的’title’标签和’a’标签
6.3：寻找符合我们所要条件的标签
6.3.1：使用索引的方式获取
- soup.find_all('a’)[1]
- 作用：获取符合要求的第二个标签数据
6.3.2：使用关键字进行索引
- 1:soup.find_all('a’, class_='even’)
- 作用：获取class属性为’even’的’a’标签
- 注意：因为class被python团队使用了作为python的关键字所以使用class_,在python中**“class"等效于"class_”**
- 2：如果不想使用class_可以使用一个字典来进行索引
- 3：获取多个限制条件的索引
- soup.find_all('a’, id='text’, class_='text’)
- 作用：获取同时有id='text’和class='text’的’a’标签
6.4：获取标签属性的方法
6.4.1：使用get()方法
- 1:a.get('href’)
- 作用：获取标签a的href属性值
- 2:a['href’]
- 作用：和a.get('href’)是等价的
7：select介绍
7.1：select与find和find_all的区别
- select和find_all的作用是一样的
- select_one的作用和find的作用是一样的
7.2：select的常用方法
- 主要介绍如何通过标签吗名、类名、id和一些特殊的方法来查找查找数据
7.2.1：通过标签名来查找元素
- 语法：
soup.select("a") - 返回值：以列表，返回soup中的所有“a”标签
7.2.2：通过class来查找元素
- 语法：
soup.elect('.info') - 返回值：以列表的形式返回soup中，所有class属性为"info"的标签
7.2.3：通过id来查找元素
- 语法：
soup.elect("#link") - 返回值：以列表的形式返回soup中，所有id属性为"link"d的标签
7.2.4：特殊的查找方式
- 语法：
soup.elect("div>p") - 返回值：一列表的形式返回soup中，所有父标签为“div”的"p"标签
7.3：寻找标签中的文本内容
7.3.1：select的返回类型
7.3.2：返回一个标签里面的文本内容
- 语法：
soup.elect("a").string - 返回值：返回这个标签的文本内容
- 可以把这个语法换为：
soup.elect('a').get_text，两者的作用是一样的
7.3.3：返回多的标签里面的数据
- 语法：
soup.elect('a').strings - 返回值：返回soup中所有a,标签的文档数据的一个生成器
8：修改文档树
- 主要介绍修改tag、string、添加内容和删除内容的方法
- 其做法和python语法里面的赋值语法相似
8.1：修改Tag的名称和属性
修改Tag的名称
- 语法：
soup.name=new_name - 返回值：把soup中name的Tag属性换为new_name
修改Tag的属性
- 语法：
soup.Tag[class]='new_class' - 返回值：把soup中tag的class属性转换为new_class
8.2：其它修改方法
- string：修改标签的文档属性
- append：向Tag当中添加内容
- delcompose：删除Tag当中的内容
|
