Python 信息提取-beautifulsoup实例

 

 

 

 

import requests
import re
from bs4 import BeautifulSoup
url = "http://python123.io/ws/demo.html"
r = requests.get(url)
print(r.text)
'''
<html><head><title>This is a python demo page</title></head>
<body>
<p class="title"><b>The demo python introduces several python courses.</b></p>
<p class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
<a href="http://www.icourse163.org/course/BIT-268001" class="py1" id="link1">Basic Python</a> and <a href="http://www.icourse163.org/course/BIT-1001870001" class="py2" id="link2">Advanced Python</a>.</p>
</body></html>
'''

demo = r.text
soup = BeautifulSoup(demo,"html.parser") #熬一锅粥
#------- 以下四句通常可获取到下载链接 -----------
for link in soup.find_all('a'):   #一个link就是一个<a>...</a>
    print('link:::',link)         # 输出内容为：<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a>
    print(link.get('href'))       #获取当前link（a)的href对于的内容  输出内容为：http://www.icourse163.org/course/BIT-268001
    
for clas in soup.find_all('a'):
    print(clas.get('class'))

#以下介绍find_all 正则表达式
for tag in soup.find_all(re.compile('b')): #查找所有以b开头的标签,第一个属性
    print(tag.name)
p1 = soup.find_all('p','course') #查找含有course的p标签内容
print('p1:::',p1)
p2 = soup.find_all(id='link1')   #查找含有id='link1'属性的标签内容，注意：属性不等于文本
print('p2:::',p2)
p3 = soup.find_all(id='link')    #查找含有id='link'属性的标签内容，没有，所以返回未空,即[]
print('p3:::',p3)
p4 = soup.find_all(id=re.compile('link')) #使用正则表达式查找id属性含有link的内容
print('p4:::',p4)
p5 = soup.find_all('a')                    #返回不为空，说明soup的子孙节点含有a标签（查子节点以及孙结点及其以下结点）
print('p5:::',p5)
p6 = soup.find_all('a',recursive=False)    #返回为空，说明soup的子节点无a标签 (不深度搜索，只查子节点，不查孙结点）
print('p6:::',p6)
p7 = soup.find_all(string="Basic Python")  #查找正文为且仅为Basic Python的元素
print('p7:::',p7)
p8 = soup.find_all(string="Python")        #返回为空，只匹配字符串有且仅有python的string
print('p8:::',p8)
p9 = soup.find_all(string=re.compile("Python")) #正则表达式查找含有Python的元素，返回列表类型
print('p9:::',p9)
p10 = len(p9) #有3个元素在pp里面。即有三个元素含Python
print('p10:::',p10)
for str in p9:
    print('str',str)

 

posted @ 2019-10-26 18:26  xdd1997  阅读(304)  评论(0)  编辑  收藏  举报