标签：name bs4 res id soup 模块 print find
requests+bs4爬取汽车之家
import requests
# pip3 install beautifulsoup4
from bs4 import BeautifulSoup
res = requests.get('https://www.autohome.com.cn/news/1/#liststart')
# print(res.text)
# html.parser bs4默认的解析库
soup = BeautifulSoup(res.text, 'html.parser')
# 使用bs4的查找
ul_list = soup.find_all(name='ul', class_='article')
# print(len(ul_list))
for ul in ul_list:
# 找ul标签下所有的li标签
li_list = ul.find_all(name='li')
for li in li_list:
h3 = li.find(name='h3')
if h3:
title = h3.text # 获取h3标签的文本内容
desc = li.find(name='p').text
img = li.find(name='img')['src']
if not img.startswith('http'):
img='https:'+img
url = 'https:' + li.find('a')['href']
print('''
新闻标题：%s
新闻摘要：%s
新闻图片：%s
新闻地址：%s
''' % (title, desc, img, url))
# 把图片保存到本地
res_img=requests.get(img)
img_name=img.split('/')[-1]
with open('./img/%s'%img_name,'wb') as f:
for line in res_img.iter_content(1024):
f.write(line)
# 把数据存到数据库 pymysql写入数据库--》建库建表--》cursor.exec(insert ..)-->commit
bs4遍历文档树
from bs4 import BeautifulSoup html_doc = """ <html><head><title>The Dormouse's story</title></head> <body> <p class="title" id="id_p">lqz<b>The Dormouse's story</b></p> <p class="story">Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>, <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; and they lived at the bottom of a well.</p> <p class="story">...</p> """ # html.parser 内置的，速度一般,容错能力强 # lxml 第三方，速度快,容错能力强 # soup=BeautifulSoup(html_doc,'html.parser') # pip3 install lxml soup=BeautifulSoup(html_doc,'lxml') # print(soup.prettify()) # 对html进行美化 #1 遍历文档树之 . 遍历 速度快 # print(soup.title) # print(soup.body.p) # print(soup.body.p.b) #2、获取标签的名称 # print(soup.title.name) # print(soup.body.name) #3、获取标签的属性 # print(soup.body.p) # print(soup.p['class']) # 因为class可能有多个，所以是列表 # print(soup.p['id']) # print(soup.p.attrs) # 所有属性放到字典中 #4、获取标签的内容--文本内容 # print(soup.p.text) # 当前标签和子子孙的文本内容拼到一起 # print(soup.p.string) # 当前标签只有文本或只有一个子有文本才拿出来，如果有多个子子孙孙，返回None # print(list(soup.p.strings)) # 把子子孙孙的文本内容放到generator #5、嵌套选择 # 可以连续点嵌套选择 # print(soup.head.title.string) #6、子节点、子孙节点 # print(soup.p.contents) #p下所有子节点，放到列表中 # print(list(soup.p.children)) #得到一个迭代器,包含p下所有子节点,跟contents本质一样，只是节约内存 # print(list(soup.p.descendants)) #获取子孙节点,p下所有的标签都会选择出来 子子孙孙 # for i,child in enumerate(soup.p.children): # print(i,child) # for i,child in enumerate(soup.p.descendants): # print(i,child) #7、父节点、祖先节点 # print(soup.a.parent) #获取a标签的父节点 # print(list(soup.a.parents)) #找到a标签所有的祖先节点，父亲的父亲，父亲的父亲的父亲... #8、兄弟节点 print(soup.a.next_sibling) #下一个兄弟 print(soup.a.previous_sibling) #上一个兄弟 print(list(soup.a.next_siblings)) #下面的兄弟们=>生成器对象 print(soup.a.previous_siblings) #上面的兄弟们=>生成器对象 # . 遍历 # 取属性 [] attrrs.get() # 取文本 text string strings
bs4搜索文档树
from bs4 import BeautifulSoup
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" id="id_p">lqz<b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
soup = BeautifulSoup(html_doc, 'lxml')
# 1、五种过滤器: 字符串、正则表达式、列表、True、方法
# find：找到第一个 find_all：找所有
# 字符串 --->value值是字符串
# res=soup.find_all(name='p')
# res=soup.find(id='id_p')
# res=soup.find_all(class_='story')
# res=soup.find_all(name='p',class_='story') # and条件
# res=soup.find(name='a',id='link2').text
# res=soup.find(name='a',id='link2').attrs.get('href')
# res=soup.find(attrs={'id':'link2','class':'sister'}).attrs.get('href')
# print(res)
# 正则表达式--->value是正则表达式
# import re
#
# # res=soup.find_all(name=re.compile('^b'))
# # res=soup.find_all(href=re.compile('^http'))
# res=soup.find_all(class_=re.compile('^s'))
# print(res)
# 列表 value值是列表
# res=soup.find_all(name=['body','a'])
# res=soup.find_all(class_=['sister','story'])
# res=soup.find_all(id=['link2','link3'])
# print(res)
# True value值是True
# res=soup.find_all(name=True)
# res=soup.find_all(id=True)
# res=soup.find_all(href=True)
# print(res)
# 方法
# def has_class_but_no_id(tag):
# return tag.has_attr('class') and not tag.has_attr('id')
#
# print(soup.find_all(name=has_class_but_no_id)) # 有class但是没有id的标签
#1 html页面中，只要有的东西，通过bs4都可以解析出来
#2 遍历文档树+搜索文档树混用
# def has_class_but_no_id(tag):
# return tag.has_attr('class') and not tag.has_attr('id')
# print(soup.find(name=has_class_but_no_id).a.text)
# 3 find_all的其他参数limit:限制取几条 recursive：是否递归查找
# def has_class_but_no_id(tag):
# return tag.has_attr('class') and not tag.has_attr('id')
# res=soup.find_all(name=has_class_but_no_id,limit=1)
#
# print(res)
#
# res=soup.find_all(name='a',recursive=False) #不递归查找,速度快，只找一层
# print(res)
标签：name,bs4,res,id,soup,模块,print,find 来源： https://www.cnblogs.com/892572624A/p/16251343.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。