【Python】爬虫html提取内容基础，bs4

前言

BeautifulSoup也就是bs4,里面功能其实有很多，不过对于爬虫而言主要掌握一下几块就可以了

1. 怎么找标签？
2. 找到标签后怎么获取属性，怎么获取文本内容
3. 如何通过找到的标签继续获取子标签

安装

pip install bs4

案例

对于找标签来说，bs4提供了很多方法，不过掌握find()和find_all()一般就能满足大部分爬虫场景了

固定语法page.find("标签名", attrs={"属性": "值"})

from bs4 import BeautifulSoup
html = """
<html>
<body>
    <ul>
        <li><a href="link1.html">斗罗大陆</a></li>
        <li id="abc"><a href="link1.html">斗破苍穹</a></li>
        <li><a href="link1.html">仙逆</a></li>
        <li><a href="link1.html">凡人修仙传</a></li>
    </ul>
</body>
</html>
"""
# 1.初始化对象
page = BeautifulSoup(html, 'html.parser')
# 2.固定语法-查找某个元素
li = page.find("li", attrs={"id": "abc"})
# 3.每个被找到的元素，都可以继续被find()和find_all()
# 查找li标签下的a标签
a = li.find("a")
# 4.获取标签属性
a_href = a.get('href')
# 5.获取文本内容
a_text = a.text

# find_all()使用
li_list = page.find_all("li")
for li in li_list:
	print(li.text)

总结

1. bs4可以通过find()和find_all()查找标签
2. 查找到的标签可以继续使用find()和find_all()查找下级标签
3. 标签通过get()方法获取标签属性，通过.text获取标签文本内容