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。