Python利用Beautiful Soup模块创建对象详解
安装
通过 pip 安装 Beautiful Soup 模块：pip install beautifulsoup4 。
还可以使用 PyCharm IDE 来写代码，在 PyCharm 中的 Preferences 中找到 Project ，在里面搜索 Beautiful Soup 模块，进行安装即可。
创建 BeautifulSoup 对象
Beautiful Soup 模块广泛使用从网页中得到数据。我们能够使用 Beautiful Soup 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，Beautiful Soup 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 Beautiful Soup 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。
Beautiful Soup 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 Beautiful Soup 工程的起点。
BeautifulSoup 可以通过传一个字符串或者类文件对象(file-like object)，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 = '<p>Hello World</p>' soup_string = BeautifulSoup(helloworld) print soup_string <html><body><p>Hello World</p></body></html>
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-like object）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) print soup
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。
with open('foo.html','r') as foo_file :
soup_foo = BeautifulSoup(foo_file)
print soup_foo
为 XML 解析创建 BeautifulSoup 对象
Beautiful Soup 模块同样能够用来解析 XML 。
当创建一个 BeautifulSoup 对象时， Beautiful Soup 模块将会选择合适的 TreeBuilder 类来创建 HTML/XML 树。默认情况下，选择 HTML TreeBuilder 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 Beautiful Soup 模块将输入的内容解析为 XML 类型，那么就需要在 Beautiful Soup 构造器中精确指定使用的 features 参数。通过特定的 features 参数，Beautiful Soup 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 Beautiful Soup 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，Beautiful Soup 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't find a tree builder with the features you requested: html5lib. Do you need to install a parser library?
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 Beautiful Soup 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 Beautiful Soup 对象的代码如下：
helloworld = '<p>Hello World</p>' soup_string = BeautifulSoup(helloworld,features="xml") print soup_string
输入的结果也是 XML 形式的文件 ：
在创建 Beautiful Soup 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 -*- from bs4 import BeautifulSoup html_atag = """ <html> <body> <p>Test html a tag example</p> <a href="http://www.glumes.com'>Home</a> <a href="http;//www.glumes.com/index.html'>Blog</a> </body> <html> """ soup = BeautifulSoup(html_atag,'html.parser') atag = soup.a print type(atag) print atag
从结果中可以看到 atag 的类型是 <class 'bs4.element.Tag'> 。而 soup.a 的结果就是 HTML 文档中的第一个 <a> 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 <a> 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 print tagname
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 <a> 标签名称换成了 <p> 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 print atag
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 ：
print atag.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 print type(navi) print navi.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Beautiful Soup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。
-
本文向大家介绍Python利用operator模块实现对象的多级排序详解，包括了Python利用operator模块实现对象的多级排序详解的使用技巧和注意事项，需要的朋友参考一下 前言 最近在工作中碰到一个小的排序问题，需要按嵌套对象的多个属性来排序，于是发现了Python里的operator模块和sorted函数组合可以实现这个功能。本文介绍了Python用operator模块实现对象的多级排序
-
问题内容： 我正在尝试学习python，现在我试图摆脱类的困扰，以及如何使用实例操作它们。 我似乎无法理解这个练习问题： 创建并返回其名称，年龄和专业与输入的对象相同的学生对象 我只是不明白对象的含义，是否意味着我应该在包含这些值的函数内创建一个数组？或创建一个类，然后将该函数放入其中并分配实例？（在问这个问题之前，我被要求开设一个学生班，里面要写姓名，年龄和专业） 问题答案： 请注意，即使Pyt
-
本文向大家介绍Python利用Beautiful Soup模块搜索内容详解，包括了Python利用Beautiful Soup模块搜索内容详解的使用技巧和注意事项，需要的朋友参考一下 前言 我们将利用 Beautiful Soup 模块的搜索功能，根据标签名称、标签属性、文档文本和正则表达式来搜索。 搜索方法 Beautiful Soup 内建的搜索方法如下： find() find_all()
-
本文向大家介绍AJAX XMLHttpRequest对象创建使用详解，包括了AJAX XMLHttpRequest对象创建使用详解的使用技巧和注意事项，需要的朋友参考一下 创建XMLHttpRequest对象 XMLHttpRequest是AJAX的基础。 所有现代浏览器（IE7+、Firefox、Chrome、Safari以及Opera）均内建XMLHttpRequest对象。 注：IE5/IE
-
本文向大家介绍详解C# 利用反射根据类名创建类的实例对象，包括了详解C# 利用反射根据类名创建类的实例对象的使用技巧和注意事项，需要的朋友参考一下 “反射”其实就是利用程序集的元数据信息。 反射可以有很多方法，编写程序时请先导入 System.Reflection 命名空间。 1、假设你要反射一个 DLL 中的类，并且没有引用它（即未知的类型）： 2、若要反射当前项目中的类（即当前项目已经引用它了
-
本文向大家介绍Python内建模块struct实例详解，包括了Python内建模块struct实例详解的使用技巧和注意事项，需要的朋友参考一下 本文研究的主要是Python内建模块struct的相关内容，具体如下。 Python中变量的类型只有列表、元祖、字典、集合等高级抽象类型，并没有像c中定义了位、字节、整型等底层初级类型。因为Python本来就是高级解释性语言，运行的时候都是经过翻译后再在底