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

nginx -t、nginx -s stop 和 nginx -s reload 命令的详细解析(结合应用场景)

《nginx-t、nginx-sstop和nginx-sreload命令的详细解析(结合应用场景)》本文解析Nginx的-t、-sstop、-sreload命令,分别用于配置语法检... 以下是关于 nginx -t、nginx -s stop 和 nginx -s reload 命令的详细解析,结合实际应

MyBatis中$与#的区别解析

《MyBatis中$与#的区别解析》文章浏览阅读314次,点赞4次,收藏6次。MyBatis使用#{}作为参数占位符时,会创建预处理语句(PreparedStatement),并将参数值作为预处理语句... 目录一、介绍二、sql注入风险实例一、介绍#(井号):MyBATis使用#{}作为参数占位符时,会

使用Python删除Excel中的行列和单元格示例详解

《使用Python删除Excel中的行列和单元格示例详解》在处理Excel数据时,删除不需要的行、列或单元格是一项常见且必要的操作,本文将使用Python脚本实现对Excel表格的高效自动化处理,感兴... 目录开发环境准备使用 python 删除 Excphpel 表格中的行删除特定行删除空白行删除含指定

Python通用唯一标识符模块uuid使用案例详解

《Python通用唯一标识符模块uuid使用案例详解》Pythonuuid模块用于生成128位全局唯一标识符,支持UUID1-5版本,适用于分布式系统、数据库主键等场景,需注意隐私、碰撞概率及存储优... 目录简介核心功能1. UUID版本2. UUID属性3. 命名空间使用场景1. 生成唯一标识符2. 数

Python办公自动化实战之打造智能邮件发送工具

《Python办公自动化实战之打造智能邮件发送工具》在数字化办公场景中,邮件自动化是提升工作效率的关键技能,本文将演示如何使用Python的smtplib和email库构建一个支持图文混排,多附件,多... 目录前言一、基础配置:搭建邮件发送框架1.1 邮箱服务准备1.2 核心库导入1.3 基础发送函数二、

Python包管理工具pip的升级指南

《Python包管理工具pip的升级指南》本文全面探讨Python包管理工具pip的升级策略,从基础升级方法到高级技巧,涵盖不同操作系统环境下的最佳实践,我们将深入分析pip的工作原理,介绍多种升级方... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

基于Python实现一个图片拆分工具

《基于Python实现一个图片拆分工具》这篇文章主要为大家详细介绍了如何基于Python实现一个图片拆分工具,可以根据需要的行数和列数进行拆分,感兴趣的小伙伴可以跟随小编一起学习一下... 简单介绍先自己选择输入的图片,默认是输出到项目文件夹中,可以自己选择其他的文件夹,选择需要拆分的行数和列数,可以通过

Python中反转字符串的常见方法小结

《Python中反转字符串的常见方法小结》在Python中,字符串对象没有内置的反转方法,然而,在实际开发中,我们经常会遇到需要反转字符串的场景,比如处理回文字符串、文本加密等,因此,掌握如何在Pyt... 目录python中反转字符串的方法技术背景实现步骤1. 使用切片2. 使用 reversed() 函

Python中将嵌套列表扁平化的多种实现方法

《Python中将嵌套列表扁平化的多种实现方法》在Python编程中,我们常常会遇到需要将嵌套列表(即列表中包含列表)转换为一个一维的扁平列表的需求,本文将给大家介绍了多种实现这一目标的方法,需要的朋... 目录python中将嵌套列表扁平化的方法技术背景实现步骤1. 使用嵌套列表推导式2. 使用itert

使用Docker构建Python Flask程序的详细教程

《使用Docker构建PythonFlask程序的详细教程》在当今的软件开发领域,容器化技术正变得越来越流行,而Docker无疑是其中的佼佼者,本文我们就来聊聊如何使用Docker构建一个简单的Py... 目录引言一、准备工作二、创建 Flask 应用程序三、创建 dockerfile四、构建 Docker