python网络爬虫与信息提取-03-beautifulsoup库
bs4库的基本元素
Tag Name Attributes NavigableString Comment
bs4库的遍历功能
.contents
.parent
.next_sibling
.children
.parents
.previous_sibling
.descendants
.next_siblings
.previous_siblings
信息的标记
- 标记后的信息可形成信息组织结构，增加了信息维度
- 标记后的信息可用于通信、存储或展示
- 标记的结构与信息一样具有重要价值
- 标记后的信息更利于程序理解和运用
HTML的信息标记
信息标记的三种形式
信息提取的一般方法
实例：提取HTML中所有URL链接
思路：1.搜索到所有标签；2.解析标签格式，提取href后的链接内容。
<>.find_all(name,attrs,recursive,string,**kwargs)
返回一个列表类型，存储查找的结果。
name：对标签名称的检索字符串。
attrs：对标签属性值的检索字符串，可标注属性检索。
recursive：是否对子孙全部检索，默认True。
string：<>…</>中文字符串区域的检索字符串。