爬虫入门(三):BeautifulSoup

2017-06-06  本文已影响0人  朴有天虹

date: 2016-10-10 08:49:53

BeautifulSoup,网页解析器,DOM树,结构化解析。

1 安装

BeautifulSoup4.x 兼容性不好,选用BeautifulSoup3.x + Python 2.x.
下载安装包放在/lib文件下,DOS下输入:
1 python setup.py build
2 python setup.py install

2 测试

IDLE里输入:

import BeautifulSoup

print BeautifulSoup
运行显示:
<module 'BeautifulSoup' from 'C:\Python27\lib\site-packages\BeautifulSoup.pyc'>

3 网页解析器-BeautifulSoup-语法

由HTLM网页可进行以下活动:

  1. 创建BeautifulSoup对象
  2. 搜索节点find_all/find
  3. 访问节点名称、属性、文字

例如:
<a herf='123.html' class='article_link'> Python</a>

节点名称:a

节点属性:herf='123.html'
节点属性:class='article_link'

节点内容:Python

4 创建BeautifulSoup对象

<pre>
import BeautifulSoup

根据HTML网页字符串创建BeautifulSoup对象

soup = BeautifulSoup(
html_doc, #HTLM文档字符串
'htlm.parser' #HTLM解析器
from_encoding='utf8' #HTLM文档的编码
)
</pre>

5 搜索节点(find_all,find)
<pre>

方法:find_all(name,attrs,string)

查找所有标签为a的节点

soup.find_all('a')

查找所有标签为a,链接符合/view/123.htlm形式的节点

soup.find_all('a',href='/view/123.htlm')
soup.find_all('a',href=re.compile(r'/view/d+.htm'))

查找所有标签为div,class为abc,文字为Python的节点

soup.find_all('div',class_='abc',sting='Python')
</pre>

6 访问节点信息
<pre>

得到节点:<a href='1.html'>Python</a>

获得查找到的节点的标签名称

node.name

获得查找到的a节点的href属性

node['herf']

获取查找到的a节点的链接文字

node.get_text()
</pre>

7 实例测试

#coding:utf-8
from bs4 import BeautifulSoup

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>

<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""

#创建对象
soup = BeautifulSoup(html_doc, 'htlm.parser', from_encoding='utf-8') #参数:文档字符串,解析器,指定编码

print '获取所有的链接'
links = soup.find_all('a')  #获取所有的链接
for link in links:
    print link.name, link['href'],link.get_text()  #名称,属性,文字
上一篇下一篇

猜你喜欢

热点阅读