Beautiful Soup搜索文档树

ChatGPT账号注册、ChatGPT Plus代升级、OpenAI API key、OpenAI API 国内购买,美国本地网络100%手工注册 ,https://hmbcloud.cn/gpt/

Beautiful Soup搜索文档树

　　HTML（超文本标记语言）由许多标签组成，我们需要提取的数据位于这些标签内。因此需要找到正确的标签来提取，可以在BeautifulSoup搜索方法的帮助下达到目的。

　　上篇文章我们为你介绍Beautiful Soup遍历文档树，本文来介绍Beautiful Soup搜索解析树的方法。最常用的方法是：find()和 find_all()，也有其他类似的方法。因此，我们将专注于找() 和 find_all () 本文中的方法，在本章中，我们晓得博客将为你介绍Beautiful Soup搜索文档树。

过滤器种类

　　我们有不同的过滤器，我们可以将它们传递给这些方法，并且理解这些过滤器至关重要，因为这些过滤器在整个搜索 API 中一次又一次地使用。我们可以根据标签的名称、其属性、字符串的文本或这些的混合来使用这些过滤器。

　　以下是我们的 html 文档，基于这个文档，我们将尝试带您了解Beautiful Soup搜索文档树中的过滤器使用。

字符串

　　 Beautiful Soup搜索文档树-字符串，最简单的过滤器类型之一是字符串。将字符串传递给搜索方法，Beautifulsoup 将对该字符串执行匹配。下面的代码将找到文档中的所有 <p> 标签 –

>>> soup = BeautifulSoup(html_doc, 'html.parser')
>>> soup.find_all('p')
[<p class="title"><b>The Biggest Online Tutorials Library, It's all Free from www.pythonthree.com</b></p>, <p class="prog">Top 5 most used Programming Languages are:
<a class="prog" href="https://www.example.com/java/java_overview.htm" id="link1">Java</a>,
<a class="prog" href="https://www.example.com/cprogramming/index.htm" id="link2">C</a>,
<a class="prog" href="https://www.example.com/python/index.htm" id="link3">Python</a>,
<a class="prog" href="https://www.example.com/javascript/javascript_overview.htm" id="link4">JavaScript</a> and
<a class="prog" href="https://www.example.com/ruby/index.htm" id="link5">C</a>;
as per online survey.</p>, <p class="prog">Programming Languages</p>]

正则表达式

　　 Beautiful Soup搜索文档树 – 正则表达式，您可以找到以给定字符串/标签开头的所有标签。在此之前，我们需要导入 re 模块以使用正则表达式。

>>> import re
>>> markup = BeautifulSoup('<p>Top Three</p><p><pre>Programming Languages are:</pre></p><p><b>Java, Python, Cplusplus</b></p>')
>>>
>>> markup.find_all(re.compile('^p'))
[<p>Top Three</p>, <p></p>, <pre>Programming Languages are:</pre>, <p><b>Java, Python, Cplusplus</b></p>]

列表

　　 Beautiful Soup搜索文档树 -列表，您可以通过提供列表来传递多个标签以进行查找。下面的代码找到所有 <b> 和 <pre> 标签 –

>>> markup.find_all(['pre', 'b'])
[<pre>Programming Languages are:</pre>, <b>Java, Python, Cplusplus</b>]

Ture

　　 Beautiful Soup搜索文档树 -Ture，True 将返回它可以找到的所有标签，但没有自己的字符串 –

>>> markup.find_all(True)
[<html><body><p>Top Three</p><p></p><pre>Programming Languages are:</pre>
<p><b>Java, Python, Cplusplus</b> </p> </body></html>, 
<body><p>Top Three</p><p></p><pre> Programming Languages are:</pre><p><b>Java, Python, Cplusplus</b></p>
</body>, 
<p>Top Three</p>, <p></p>, <pre>Programming Languages are:</pre>, <p><b>Java, Python, Cplusplus</b></p>, <b>Java, Python, Cplusplus</b>]

　　仅返回上述Beautifulsoup中的标签 –

>>> for tag in markup.find_all(True):
(tag.name)
'html'
'body'
'p'
'p'
'pre'
'p'
'b'

find_all（）

　　您可以使用 find_all 从页面响应中提取特定标签，语法：

find_all(name, attrs, recursive, string, limit, **kwargs)

　　让我们从 IMDB 中提取一些有趣的数据——有史以来“评分最高的电影”。

>>> url="https://www.imdb.com/chart/top/?ref_=nv_mv_250"
>>> content = requests.get(url)
>>> soup = BeautifulSoup(content.text, 'html.parser')

>>> print(soup.find('title'))
<title>IMDb</title>


>>> for heading in soup.find_all('h1'):
   print(heading.text)
Top Rated Movies

>>> for heading in soup.find_all('h3'):
   print(heading.text)
   
IMDb Charts
You Have Seen
   IMDb Charts
   Top India Charts
Top Rated Movies by Genre
Recently Viewed

　　从上面，我们可以看到 find_all ()将为我们提供与我们定义的搜索条件匹配的所有项目。我们可以与 find_all() 一起使用的所有过滤器都可以与 find() 和其他搜索方法一起使用，例如 find_parents() 或 find_siblings()。

　　推荐：使用BeautifulSoup查询关键词谷歌搜索结果排名

find（）

　　find_all() 用于扫描整个文档以查找除某些内容之外的所有内容，要求只找到一个结果。如果您知道文档只包含一个 <body> 标签，那么搜索整个文档是浪费时间。一种方法是每次都使用 limit=1 调用 find_all() ，否则我们可以使用 find() 方法来做同样的事情 –语法

find(name, attrs, recursive, string, **kwargs)

　　所以下面两种不同的方法给出相同的输出 –

>>> soup.find_all('title',limit=1)
[<title>IMDb Top 250 - IMDb</title>]
>>>
>>> soup.find('title')
<title>IMDb Top 250 - IMDb</title>

　　在上面的输出中，我们可以看到 find_all() 方法返回一个包含单个项目的列表，而 find() 方法返回单个结果。 Beautiful Soup搜索文档树中的find() 和 find_all() 方法之间的另一个区别是 –

>>> soup.find_all('h2')
[]
>>>
>>> soup.find('h2')

　　如果soup.find_all() 方法找不到任何东西，它返回空列表，而find() 返回None。

find_parents() 和 find_parent()

　　与遍历树的 find_all() 和 find() 方法不同，查看标签的后代， find_parents() 和 find_parents 方法() 做相反的事情，它们向上遍历树并查看标签（或字符串）的父母，语法：

find_parents(name, attrs, string, limit, **kwargs)
find_parent(name, attrs, string, **kwargs)

　　还有其他八种类似的方法 –

find_next_siblings(name, attrs, string, limit, **kwargs)
find_next_sibling(name, attrs, string, **kwargs)

find_previous_siblings(name, attrs, string, limit, **kwargs)
find_previous_sibling(name, attrs, string, **kwargs)

find_all_next(name, attrs, string, limit, **kwargs)
find_next(name, attrs, string, **kwargs)

find_all_previous(name, attrs, string, limit, **kwargs)
find_previous(name, attrs, string, **kwargs)

　　find_next_siblings()和find_next_sibling()方法将遍历当前元素之后的所有兄弟元素。

　　find_previous_siblings()和find_previous_sibling()方法将遍历当前元素之前的所有兄弟元素。

　　find_all_next()和find_next()方法将遍历当前元素之后的所有标签和字符串。

　　find_all_previous和find_previous()方法将遍历当前元素之前的所有标签和字符串。

CSS 选择器

　　 Beautiful Soup搜索文档树 -CSS 选择器，BeautifulSoup 库支持最常用的 CSS 选择器。您可以在 select() 方法的帮助下使用 CSS 选择器搜索元素。以下是一些示例 –

>>> soup.select('title')
[<title>IMDb Top 250 - IMDb</title>, <title>IMDb Top Rated Movies</title>]
>>>
>>> soup.select("p:nth-of-type(1)")
[<p>The Top Rated Movie list only includes theatrical features.</p>, <p> class="imdb-footer__copyright _2-iNNCFskmr4l2OFN2DRsf">© 1990-2019 by IMDb.com, Inc.</p>]
>>> len(soup.select("p:nth-of-type(1)"))
2
>>> len(soup.select("a"))
609
>>> len(soup.select("p"))
2

>>> soup.select("html head title")
[<title>IMDb Top 250 - IMDb</title>, <title>IMDb Top Rated Movies</title>]
>>> soup.select("head > title")
[<title>IMDb Top 250 - IMDb</title>]

#print HTML code of the tenth li elemnet
>>> soup.select("li:nth-of-type(10)")
[<li class="subnav_item_main">
<a href="/search/title?genres=film_noir&sort=user_rating,desc&title_type=feature&num_votes=25000,">Film-Noir
</a> </li>]