Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库。同时,他对不规范的html的容错能力也是很强的。
java中与之类似的工具包是jsoup。
环境;
win7 64bit
cygwin 64bit
python 2.7
pip 1.5.6
beautifulsoup4 4.3.2
2. 安装
使用pip安装很简单
$ pip install beautifulsoup4
3. 测试
继续沿用前2篇文章用到的bad.html测试
from bs4 import BeautifulSoup soup = BeautifulSoup(open("bad.html")) print(soup.prettify()) print('\n') print(soup.a['href'])
相当简单了,代码不言自明。和jsoup也是相当的像,只不过用python可以比java少敲一些代码。
4. 链接
Beautiful Soup 4.2.0中文文档
jsoup
jsoup Cookbook(中文版)