アイキャッチ画像

PythonのBeautifulSoup4でHTMLの要素を抜き出す

PythonのBeautifulSoup4モジュールを使って、HTMLドキュメントから特定の要素を抜き出してみます。

目次

  1. HTMLの要素を抜き出す方法
  2. extractメソッドの使用例

HTMLの要素を抜き出す方法

Beautiful Soup 4のextractメソッドを使用します。

ret = soup.extract()
変数 内容
ret 抜き出された要素。
soup 抜き出す要素。

名前の通りですね。

戻り値が抜き出された要素は、BeautifulSoup4のbs4.element.Tagというクラスのオブジェクトです。

extractメソッドの使用例

こういうindex.htmlがあるとします。

<html>
    <head></head>
    <body>
        <h1 class="1st">最初の章</h1>
            <ul>
                <li id="foo">項目1</li>
                <li id="bar">項目2</li>
                <li id="bar">項目3</li>
            </ul>
        <h1 class="2nd">2つめの章</h1>
            <p>文章</p>
    </body>
</html>

このHTMLドキュメントからUL要素以下を抜き出してみます。

>>> from bs4 import BeautifulSoup
>>> with open('index.html', mode='rt', encoding='utf-8') as f:
...     soup = BeautifulSoup(f.read(), 'html.parser')
...

>>> extracted_tag = soup.find('ul').extract() # ドキュメントからUL要素を検索して抜き出す

>>> soup # 抜き出されたドキュメントの表示
<html>
<head></head>
<body>
<h1 class="1st">最初の章</h1>

<h1 class="2nd">2つめの章</h1>
<p>文章</p>
</body>
</html>

>>> extracted_tag # 抜き出した結果
<ul>
<li id="foo">項目1</li>
<li id="bar">項目2</li>
<li id="bar">項目3</li>
</ul>

広告

PythonとXMLカテゴリの投稿