文章目录
Beautiful Soup是Python的一个网页解析库，处理快捷; 支持多种解析器，功能强大。教程细致讲解Beautiful Soup的深入使用、节点选择器、CSS选择器、Beautiful Soup4的方法选择器等重要知识点，是学好爬虫的基础课程。
提示：以下是本篇文章正文内容，下面案例可供参考
建议把代码复制到编译工具中运行跑几次，认真看一下输出结果方便更好的理解, beautifulsoup4=4.11.1
pip install beautifulsoup4 -i https://pypi.tuna.tsinghua.edu.cn/simple
from bs4 import BeautifulSoup
web_html = """
<html>
<head>
<title id="title">The Dormouse's story1</title>
</head>
<body>
<p class="story">
<a href="http://example.com/elsie1" class="link11" id="link1">EXI-XZ</a>,
<a href="http://example.com/elsie2" class="link11" id="link2">Elsie</a>,
<a href="http://example.com/lacie" class="link22" id="link3">Lacie</a> and
<a href="http://example.com/tillie" class="link33" id="link4">Tillie</a>;
</p>
<ul class="ul_test", id="abc">
<li class="li_test" href="http://example.com/li">AA</li>
<li class="li_test" href="http://example.com/li">BB</li>
<li class="li_test" href="http://example.com/li">CC</li>
</ul>
<div class="div_test">
<p>div模块-p标签</p>
</div>
</body>
</html>
"""
soup = BeautifulSoup(web_html, 'lxml') # 解析网页源码创建Beautifulsoup对象
web_html = soup.prettify() # 返回格式化后的源码，str类型
title_tag = soup.title # 返回源码中第一个title标签(源码)，element.Tag类型
print('title_tag:', title_tag, type(title_tag))
title_content = soup.title.string # 提取title标签的文本, element.NavigableString，下面有多个标签内容则返回None
print('title_content:', title_content, type(title_content))
all_p_content = soup.body.get_text() # 提取body下面的所有p标签，str类型
print('all_p_content:', all_p_content, type(all_p_content))
a_href = soup.a['href'] # 提取第一个a标签的href属性，str类型
print("a_href:", a_href, type(a_href))
# find -- 返回符合查询条件的第一个标签
# 组合条件一
find_group_result = soup.find(name='a', string='EXI-XZ') # name(标签名)，string(标签的文本),element.Tag类型
print('find_group_result:', find_group_result, type(find_group_result))
# 组合条件二，推荐第二种方式，字典方式key，value
find_attrs_result = soup.find(attrs={'class': 'link11', 'id': 'link1'}) # 指定属性,element.Tag类型,
print('find_attrs_result:', find_attrs_result, type(find_attrs_result))
find_attrs_result.get('href') # 获取该对象的属性href
find_attrs_result.text # 获取该对象标签的文本,不同于find_attrs_result.string，下面有多个标签会全部返回而不是None
find_ul_result = soup.find(attrs={'class': "ul_test", 'id': 'abc'})
print('ul_tag_result:', find_ul_result.text, type(find_ul_result)) # element.Tag
# find_all -- 返回符合查询条件的所有标签， list类型
find_li_list = soup.find_all(name='li', attrs={'class': "li_test"}, limit=2) # limit(返回前两个标签)
find_li_list[0].attrs # 提取标签的所有属性
# CSS选择器 -- list类型
div_tag = soup.select('div,.div_test') # 取class为"div_test"的div标签，list类型, #=id .=class
print('div_tag:', div_tag, type(div_tag))
div_tag = soup.select('div[class="div_test"]') # 等同于soup.select('div,.div_test')
print('div_tag:', div_tag, type(div_tag))
print("div下p标签的文本:", div_tag[0].select("p")[0].text) # 取div中的第一个p标签的文本
import requests
from bs4 import BeautifulSoup
url = "xxxxxxxxxxxxxxxxx"
headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/106.0.0.0 Safari/537.36'}
response = requests.get(url=url, headers=headers)
web_html = response.text
soup = BeautifulSoup(web_html, 'lxml') # 解析网页源码创建Beautifulsoup对象
BeautifulSoup4四大对象种类
bs4.element.Tag 通俗点讲就是HTML中的一个个标签，有很多属性和方法可以更加详细的提取内容
NavigableString 得到了标签源码，通过对象的属性和方法可以提取标签内部文字(.string)和属性(xx['class'])
BeautifulSoup 表示一个文档的全部内容.
Comment 一个特殊类型的NavigableString对象，其输出的内容不包括注释符号。
小洲提示：建议把代码复制到编译工具中运行跑几次，认真看一下输出结果方便更好的理解, beautifulsoup4=4.11.1
以上就是今天要讲的内容，本文仅仅简单介绍了beautifulsoup4解析web源码的使用，而beautifulsoup4提供了大量能使我们快速便捷地处理数据的函数和方法，后续有关于beautifulsoup4的常用代码会在这篇博客中持续更新。
Beautifulsoup4官方文档:https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/
我正在学习如何使用Nokogiri，根据这段代码我遇到了一些问题:require'rubygems'require'mechanize'post_agent=WWW::Mechanize.newpost_page=post_agent.get('http://www.vbulletin.org/forum/showthread.php?t=230708')puts"\nabsolutepathwithtbodygivesnil"putspost_page.parser.xpath('/html/body/div/div/div/div/div/table/tbody/tr/td/div
我有一个字符串input="maybe(thisis|thatwas)some((nice|ugly)(day|night)|(strange(weather|time)))"Ruby中解析该字符串的最佳方法是什么？我的意思是脚本应该能够像这样构建句子:maybethisissomeuglynightmaybethatwassomenicenightmaybethiswassomestrangetime等等，你明白了......我应该一个字符一个字符地读取字符串并构建一个带有堆栈的状态机来存储括号值以供以后计算，还是有更好的方法？也许为此目的准备了一个开箱即用的库？
我有一个Ruby程序，它使用rubyzip压缩XML文件的目录树。gem。我的问题是文件开始变得很重，我想提高压缩级别，因为压缩时间不是问题。我在rubyzipdocumentation中找不到一种为创建的ZIP文件指定压缩级别的方法。有人知道如何更改此设置吗？是否有另一个允许指定压缩级别的Ruby库？ 最佳答案 这是我通过查看rubyzip内部创建的代码。level=Zlib::BEST_COMPRESSIONZip::ZipOutputStream.open(zip_file)do|zip|Dir.glob("**/*")d
类classAprivatedeffooputs:fooendpublicdefbarputs:barendprivatedefzimputs:zimendprotecteddefdibputs:dibendendA的实例a=A.new测试a.foorescueputs:faila.barrescueputs:faila.zimrescueputs:faila.dibrescueputs:faila.gazrescueputs:fail测试输出failbarfailfailfail.发送测试[:foo,:bar,:zim,:dib,:gaz].each{|m|a.send(m)resc
很好奇，就使用rubyonrails自动化单元测试而言，你们正在做什么？您是否创建了一个脚本来在cron中运行rake作业并将结果邮寄给您？git中的预提交Hook？只是手动调用？我完全理解测试，但想知道在错误发生之前捕获错误的最佳实践是什么。让我们理所当然地认为测试本身是完美无缺的，并且可以正常工作。下一步是什么以确保他们在正确的时间将可能有害的结果传达给您？ 最佳答案 不确定您到底想听什么，但是有几个级别的自动代码库控制:在处理某项功能时，您可以使用类似autotest的内容获得关于哪些有效，哪些无效的即时反馈。要确保您的提
假设我做了一个模块如下:m=Module.newdoclassCendend三个问题:除了对m的引用之外，还有什么方法可以访问C和m中的其他内容？我可以在创建匿名模块后为其命名吗(就像我输入“module...”一样)？如何在使用完匿名模块后将其删除，使其定义的常量不再存在？ 最佳答案 三个答案:是的，使用ObjectSpace.此代码使c引用你的类(class)C不引用m:c=nilObjectSpace.each_object{|obj|c=objif(Class===objandobj.name=~/::C$/)}当然这取决于
我正在尝试使用ruby和Savon来使用网络服务。测试服务为http://www.webservicex.net/WS/WSDetails.aspx?WSID=9&CATID=2require'rubygems'require'savon'client=Savon::Client.new"http://www.webservicex.net/stockquote.asmx?WSDL"client.get_quotedo|soap|soap.body={:symbol=>"AAPL"}end返回SOAP异常。检查soap信封，在我看来soap请求没有正确的命名空间。任何人都可以建议我
关闭。这个问题是opinion-based.它目前不接受答案。想要改进这个问题？更新问题，以便editingthispost可以用事实和引用来回答它.关闭4年前。Improvethisquestion我想在固定时间创建一系列低音和高音调的哔哔声。例如:在150毫秒时发出高音调的蜂鸣声在151毫秒时发出低音调的蜂鸣声200毫秒时发出低音调的蜂鸣声250毫秒的高音调蜂鸣声有没有办法在Ruby或Python中做到这一点？我真的不在乎输出编码是什么(.wav、.mp3、.ogg等等)，但我确实想创建一个输出文件。
我在我的项目目录中完成了compasscreate.和compassinitrails。几个问题:我已将我的.sass文件放在public/stylesheets中。这是放置它们的正确位置吗？当我运行compasswatch时，它不会自动编译这些.sass文件。我必须手动指定文件:compasswatchpublic/stylesheets/myfile.sass等。如何让它自动运行？文件ie.css、print.css和screen.css已放在stylesheets/compiled。如何在编译后不让它们重新出现的情况下删除它们？我自己编译的.sass文件编译成compiled/t
我想将html转换为纯文本。不过，我不想只删除标签，我想智能地保留尽可能多的格式。为插入换行符标签，检测段落并格式化它们等。输入非常简单，通常是格式良好的html(不是整个文档，只是一堆内容，通常没有anchor或图像)。我可以将几个正则表达式放在一起，让我达到80%，但我认为可能有一些现有的解决方案更智能。 最佳答案 首先，不要尝试为此使用正则表达式。很有可能你会想出一个脆弱/脆弱的解决方案，它会随着HTML的变化而崩溃，或者很难管理和维护。您可以使用Nokogiri快速解析HTML并提取文本:require'nokogiri'h