Python爬虫----网页解析器和BeautifulSoup第三方模块

最新推荐文章于 2024-05-22 14:12:33 发布

liucw_cn

最新推荐文章于 2024-05-22 14:12:33 发布

阅读量5.4k

点赞数 1

分类专栏： Python 文章标签： python 网页解析器 BeautifulSoup

本文链接：https://blog.csdn.net/oChangWen/article/details/51959754

版权

Python 专栏收录该内容

8 篇文章 0 订阅

订阅专栏

网页解析器：从网页中提取有价值数据的工具

二、Beautiful Soup

Beautiful Soup ：是Python第三方库，用于从HTML或XML中提取数据,官网：https://www.crummy.com/software/BeautifulSoup/bs4/doc/

安装BeautifulSoup，先安装pip

sudo apt-get install python-pip
sudo pip install beautifulsoup4

测试是否安装成功

import bs4
print bs4

如安装成功，结果如下

举个例子如下

2.1.创建BeautifulSoup对象

from bs4 import BeautifulSoup

#根据HTML网页字符串创建BeautifulSoup对象
soup = BeautifulSoup(
                    html_doc,              # HTML文档字符串
                    'html.parser'          # HTML解析器
                    from_encoding='utf8'   # HTML文档的编码
                    ）

2.2.搜索节点（find_all, find)

#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.html形式的节点
soup.find_all('a', href='/view/123.htm')

# 传入正则表达式来匹配对应的内容
soup.find_all('a', href=re.compile(r'/view/\d+\.htm'))

# 查找所有标签为idv, class(下面的代码有加下划线，是因为python的关键字有class,防冲突)为 abc， 文字为Python的节点
soup.find_all('div', class_='abc', string='Python')

2.3.访问节点信息：

# 得到节点：<a href='1.html'>Python</a>

# 获取查找到的节点的标签名称
node.name

# 获取查找到的a节点的href属性
node['href']

# 获取查找到的a节点的链接文字
node.get_text()

三、实例测试

# coding:utf8

from bs4 import BeautifulSoup
import re

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>
"""

soup = BeautifulSoup(html_doc, 'html.parser', from_encoding='utf8')

print '测试1：获取所有的链接'
links = soup.find_all('a')
for link in links:
    print link.name, link['href'], link.get_text()

print '\n测试2：获取Lacie的链接'
link_node = soup.find('a', href='http://example.com/lacie')
print link_node.name, link_node['href'], link_node.get_text()

print '\n测试3：正则匹配'
# 要匹配的内容前加’r'，这样如果要转义，只用加一个/就行了
link_node = soup.find('a', href=re.compile(r"ill") ) 
print link_node.name, link_node['href'], link_node.get_text()

print '\n测试4：获取P段落文字'
p_node = soup.find('p', class_='title' ) 
print p_node.name, p_node.get_text()

测试1：获取所有的链接
a http://example.com/elsie Elsie
a http://example.com/lacie Lacie
a http://example.com/tillie Tillie

测试2：获取Lacie的链接
a http://example.com/lacie Lacie

测试3：正则匹配
a http://example.com/tillie Tillie

测试4：获取P段落文字
p The Dormouse's story