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

Java中Redisson 的原理深度解析

《Java中Redisson的原理深度解析》Redisson是一个高性能的Redis客户端,它通过将Redis数据结构映射为Java对象和分布式对象,实现了在Java应用中方便地使用Redis,本文... 目录前言一、核心设计理念二、核心架构与通信层1. 基于 Netty 的异步非阻塞通信2. 编解码器三、

Java HashMap的底层实现原理深度解析

《JavaHashMap的底层实现原理深度解析》HashMap基于数组+链表+红黑树结构,通过哈希算法和扩容机制优化性能,负载因子与树化阈值平衡效率,是Java开发必备的高效数据结构,本文给大家介绍... 目录一、概述:HashMap的宏观结构二、核心数据结构解析1. 数组(桶数组)2. 链表节点(Node

Java 虚拟线程的创建与使用深度解析

《Java虚拟线程的创建与使用深度解析》虚拟线程是Java19中以预览特性形式引入,Java21起正式发布的轻量级线程,本文给大家介绍Java虚拟线程的创建与使用,感兴趣的朋友一起看看吧... 目录一、虚拟线程简介1.1 什么是虚拟线程?1.2 为什么需要虚拟线程?二、虚拟线程与平台线程对比代码对比示例:三

vite搭建vue3项目的搭建步骤

《vite搭建vue3项目的搭建步骤》本文主要介绍了vite搭建vue3项目的搭建步骤,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学... 目录1.确保Nodejs环境2.使用vite-cli工具3.进入项目安装依赖1.确保Nodejs环境

Python版本信息获取方法详解与实战

《Python版本信息获取方法详解与实战》在Python开发中,获取Python版本号是调试、兼容性检查和版本控制的重要基础操作,本文详细介绍了如何使用sys和platform模块获取Python的主... 目录1. python版本号获取基础2. 使用sys模块获取版本信息2.1 sys模块概述2.1.1

Nginx搭建前端本地预览环境的完整步骤教学

《Nginx搭建前端本地预览环境的完整步骤教学》这篇文章主要为大家详细介绍了Nginx搭建前端本地预览环境的完整步骤教学,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录项目目录结构核心配置文件:nginx.conf脚本化操作:nginx.shnpm 脚本集成总结:对前端的意义很多

一文解析C#中的StringSplitOptions枚举

《一文解析C#中的StringSplitOptions枚举》StringSplitOptions是C#中的一个枚举类型,用于控制string.Split()方法分割字符串时的行为,核心作用是处理分割后... 目录C#的StringSplitOptions枚举1.StringSplitOptions枚举的常用

一文详解Python如何开发游戏

《一文详解Python如何开发游戏》Python是一种非常流行的编程语言,也可以用来开发游戏模组,:本文主要介绍Python如何开发游戏的相关资料,文中通过代码介绍的非常详细,需要的朋友可以参考下... 目录一、python简介二、Python 开发 2D 游戏的优劣势优势缺点三、Python 开发 3D

Python函数作用域与闭包举例深度解析

《Python函数作用域与闭包举例深度解析》Python函数的作用域规则和闭包是编程中的关键概念,它们决定了变量的访问和生命周期,:本文主要介绍Python函数作用域与闭包的相关资料,文中通过代码... 目录1. 基础作用域访问示例1:访问全局变量示例2:访问外层函数变量2. 闭包基础示例3:简单闭包示例4

Python实现字典转字符串的五种方法

《Python实现字典转字符串的五种方法》本文介绍了在Python中如何将字典数据结构转换为字符串格式的多种方法,首先可以通过内置的str()函数进行简单转换;其次利用ison.dumps()函数能够... 目录1、使用json模块的dumps方法:2、使用str方法:3、使用循环和字符串拼接:4、使用字符