python解析html (bs4 lxml)

2023-12-06 07:58

本文主要是介绍python解析html (bs4 lxml),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

1. bs4

import bs4fp = open("test.html")
#创建soup对象
soup = bs4.BeautifulSoup(fp.read(),"lxml")#获取元素文本
ele1 = soup.select("#site-name")
print(ele1[0].getText())
print(ele1[0].string)
#将元素转为字符串
print(str(ele1[0]))
# <h1 id="site-name"><a href="/admin/">Django administration</a></h1>
#Django administration#格式化输出
print(soup.prettify())#获取元素所有属性
ele = soup.select("[name='csrfmiddlewaretoken']")
print(ele[0].attrs)
# {'type': 'hidden', 'name': 'csrfmiddlewaretoken', 'value': 'fQ144OxQZmYo0nzYF3YcpeR5PKCOrdiJat8wdmOmoLuuijUxrcEAzx3rc7ZQmaHn'}#获取元素特定属性
print(ele[0].get("type"))
# hidden
print(ele[0].attrs["name"])
# csrfmiddlewaretoken#其他
print(soup.title)
# <title>Log in | Django site admin</title>
print(soup.title.name)
# title
print(soup.string)
#contents表示标签下的所有子标签返回一个列表print(soup.h1)
# h1 id="site-name"><a href="/admin/">Django administration</a></h1>
print(soup.h1["id"])
# site-name
print(soup.find_all("h1"))      #返回所有满足的元素,soup.find:只会返回第一个元素
# [ < h1 id = "site-name" >  < a href = "/admin/" > Django administration <  / a >  <  / h1 > ]#获取多个标签
print(soup.find_all(["title", "input"]))
# [<title>Log in | Django site admin</title>, 
# <input name="csrfmiddlewaretoken" type="hidden" value="fQ144OxQZmYo0nzYF3YcpeR5PKCOrdiJat8wdmOmoLuuijUxrcEAzx3rc7ZQmaHn"/>, <input autocapitalize="none" autocomplete="username" autofocus="" id="id_username" maxlength="150" name="username" required="" type="text"/>, <input autocomplete="current-password" id="id_password" name="password" required="" type="password"/>, <input name="next" type="hidden" value="/admin/"/>, <input type="submit" value="Log in"/>]#指定属性
ele = soup.find_all("input", attrs={"name":"password"})
print(ele)#标签中的注释
string = '<p><!--这是注释 --></p>'
sp = bs4.BeautifulSoup(string)
print(sp.p.string)      #这是注释 #常见三大节点
#获取节点本身
print(soup.body)#获取子节点
print(soup.body.contents)
# None#
print(soup.body.children)       #返回一个迭代器
for child in soup.body.children:print(child)#获取父节点
print(soup.title.parent.name)#获取所有父级节点
print(soup.title.parents)
# head#兄弟下一个节点
r = soup.find_all("div", attrs={"id":"header"})[0]
t = r.next_sibling
print(t)#兄弟上一个节点
r = soup.find_all("div", attrs={"id":"header"})[0]
t = r.previous_sibling
print(t)#获取全部兄弟节点
tt = soup.title.next_siblings
for i in tt:print(i)

html

<!DOCTYPE html><html lang="en-us" >
<head>
<title>Log in | Django site admin</title>
<link rel="stylesheet" type="text/css" href="/static/admin/css/base.css">
<link rel="stylesheet" type="text/css" href="/static/admin/css/login.css"><meta name="viewport" content="user-scalable=no, width=device-width, initial-scale=1.0, maximum-scale=1.0"><link rel="stylesheet" type="text/css" href="/static/admin/css/responsive.css"><meta name="robots" content="NONE,NOARCHIVE">
</head><body class=" login"data-admin-utc-offset="0"><!-- Container -->
<div id="container"><!-- Header --><div id="header"><div id="branding"><h1 id="site-name"><a href="/admin/">Django administration</a></h1></div></div><!-- END Header --><!-- Content --><div id="content" class="colM"><div id="content-main"><form action="/admin/login/" method="post" id="login-form"><input type="hidden" name="csrfmiddlewaretoken" value="fQ144OxQZmYo0nzYF3YcpeR5PKCOrdiJat8wdmOmoLuuijUxrcEAzx3rc7ZQmaHn"><div class="form-row"><label class="required" for="id_username">Username:</label> <input type="text" name="username" autofocus autocapitalize="none" autocomplete="username" maxlength="150" required id="id_username"></div><div class="form-row"><label class="required" for="id_password">Password:</label> <input type="password" name="password" autocomplete="current-password" required id="id_password"><input type="hidden" name="next" value="/admin/"></div><div class="submit-row"><label>&nbsp;</label><input type="submit" value="Log in"></div>
</form></div><br class="clear"></div><!-- END Content --><div id="footer"></div>
</div>
<!-- END Container --></body>
</html>

2. lxml

获取所有栏目的博客

import requests 
from lxml import htmlheaders = {"User-Agent":"Python-urllib/2.6"}
res = requests.get("https://blog.csdn.net/shitou987", headers=headers)dom = html.document_fromstring(res.text)category_urls = dom.xpath('//*[@id="asideCategory"]//*[@class="clearfix"]/@href')
category_names = dom.xpath('//*[@id="asideCategory"]//*[@class="title oneline"]/span/text()')
#获取text也可以使用:category_names[0].text
category_list = []
for index, url in enumerate(category_urls,0):temp_dict = {"name":category_names[index],"url":url}category_list.append(temp_dict)print(category_list)

这篇关于python解析html (bs4 lxml)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/461038

相关文章

网页解析 lxml 库--实战

lxml库使用流程 lxml 是 Python 的第三方解析库,完全使用 Python 语言编写,它对 XPath表达式提供了良好的支 持,因此能够了高效地解析 HTML/XML 文档。本节讲解如何通过 lxml 库解析 HTML 文档。 pip install lxml lxm| 库提供了一个 etree 模块,该模块专门用来解析 HTML/XML 文档,下面来介绍一下 lxml 库

Vue3 的 shallowRef 和 shallowReactive:优化性能

大家对 Vue3 的 ref 和 reactive 都很熟悉,那么对 shallowRef 和 shallowReactive 是否了解呢? 在编程和数据结构中,“shallow”(浅层)通常指对数据结构的最外层进行操作,而不递归地处理其内部或嵌套的数据。这种处理方式关注的是数据结构的第一层属性或元素,而忽略更深层次的嵌套内容。 1. 浅层与深层的对比 1.1 浅层(Shallow) 定义

这15个Vue指令,让你的项目开发爽到爆

1. V-Hotkey 仓库地址: github.com/Dafrok/v-ho… Demo: 戳这里 https://dafrok.github.io/v-hotkey 安装: npm install --save v-hotkey 这个指令可以给组件绑定一个或多个快捷键。你想要通过按下 Escape 键后隐藏某个组件,按住 Control 和回车键再显示它吗?小菜一碟: <template

【 html+css 绚丽Loading 】000046 三才归元阵

前言:哈喽,大家好,今天给大家分享html+css 绚丽Loading!并提供具体代码帮助大家深入理解,彻底掌握!创作不易,如果能帮助到大家或者给大家一些灵感和启发,欢迎收藏+关注哦 💕 目录 📚一、效果📚二、信息💡1.简介:💡2.外观描述:💡3.使用方式:💡4.战斗方式:💡5.提升:💡6.传说: 📚三、源代码,上代码,可以直接复制使用🎥效果🗂️目录✍️

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别: 当你在一个模块(文件)中使用 global 声明变量时,这个变量只在该模块的全局命名空

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

【C++】_list常用方法解析及模拟实现

相信自己的力量,只要对自己始终保持信心,尽自己最大努力去完成任何事,就算事情最终结果是失败了,努力了也不留遗憾。💓💓💓 目录   ✨说在前面 🍋知识点一:什么是list? •🌰1.list的定义 •🌰2.list的基本特性 •🌰3.常用接口介绍 🍋知识点二:list常用接口 •🌰1.默认成员函数 🔥构造函数(⭐) 🔥析构函数 •🌰2.list对象

【Python编程】Linux创建虚拟环境并配置与notebook相连接

1.创建 使用 venv 创建虚拟环境。例如,在当前目录下创建一个名为 myenv 的虚拟环境: python3 -m venv myenv 2.激活 激活虚拟环境使其成为当前终端会话的活动环境。运行: source myenv/bin/activate 3.与notebook连接 在虚拟环境中,使用 pip 安装 Jupyter 和 ipykernel: pip instal

【机器学习】高斯过程的基本概念和应用领域以及在python中的实例

引言 高斯过程(Gaussian Process,简称GP)是一种概率模型,用于描述一组随机变量的联合概率分布,其中任何一个有限维度的子集都具有高斯分布 文章目录 引言一、高斯过程1.1 基本定义1.1.1 随机过程1.1.2 高斯分布 1.2 高斯过程的特性1.2.1 联合高斯性1.2.2 均值函数1.2.3 协方差函数(或核函数) 1.3 核函数1.4 高斯过程回归(Gauss

【学习笔记】 陈强-机器学习-Python-Ch15 人工神经网络(1)sklearn

系列文章目录 监督学习:参数方法 【学习笔记】 陈强-机器学习-Python-Ch4 线性回归 【学习笔记】 陈强-机器学习-Python-Ch5 逻辑回归 【课后题练习】 陈强-机器学习-Python-Ch5 逻辑回归(SAheart.csv) 【学习笔记】 陈强-机器学习-Python-Ch6 多项逻辑回归 【学习笔记 及 课后题练习】 陈强-机器学习-Python-Ch7 判别分析 【学