bs4包-urllib包-requests包

bs4包基本用法

和 lxml 一样，Beautiful Soup 也是一个HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 数据。
lxml 只会局部遍历，而Beautiful Soup 是基于HTML DOM的，会载入整个文档，解析整个DOM树，因此时间和内存开销都会大很多，所以性能要低于lxml。
BeautifulSoup 用来解析 HTML 比较简单，API非常人性化，支持CSS选择器、Python标准库中的HTML解析器，也支持 lxml 的 XML解析器。

抓取工具	速度和使用难度
正则	最快 困难
BeautifulSoup	慢 最简单
lxml	快 简单

代码实例

Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种:

• Tag
• NavigableString
• BeautifulSoup
• Comment

1. Tag
   Tag 通俗点讲就是 HTML 中的一个个标签
   
   我们可以利用 soup 加标签名轻松地获取这些标签的内容，这些对象的类型是bs4.element.Tag。但是注意，它查找的是在所有内容中的第一个符合要求的标签。

对于 Tag，它有两个重要的属性，是 name 和 attrs

2. NavigableString
用来获取标签内部的文字

3. BeautifulSoup
BeautifulSoup 对象表示的是一个文档的内容。大部分时候,可以把它当作 Tag 对象，是一个特殊的 Tag，我们可以分别获取它的类型，名称，以及属性

4. Comment

Comment 对象是一个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号

遍历文档树

1. 直接子节点：.contents .children 属性

.contents

• tag 的 .content 属性可以将tag的子节点以列表的方式输出
• 输出方式为列表，我们可以用列表索引来获取它的某一个元素

.children

• 它返回的不是一个 list，不过我们可以通过遍历获取所有子节点。
• 我们打印输出 .children ，可以发现它是一个 list 生成器对象

3. 所有子孙节点: .descendants 属性
   .contents 和 .children 属性仅包含tag的直接子节点，.descendants 属性可以对所有tag的子孙节点进行递归循环，和 children类似，我们也需要遍历获取其中的内容。
4. 节点内容: .string 属性
   如果tag只有一个 NavigableString 类型子节点,那么这个tag可以使用 .string 得到子节点。如果一个tag仅有一个子节点,那么这个tag也可以使用 .string 方法,输出结果与当前唯一子节点的 .string 结果相同。
   通俗点说就是：如果一个标签里面没有标签了，那么 .string 就会返回标签里面的内容。如果标签里面只有唯一的一个标签了，那么 .string 也会返回最里面的内容。

搜索文档树

1.find_all(name, attrs, recursive, text, **kwargs)
name参数可以查找所有名字为 name 的tag,字符串对象会被自动忽略掉

• 传字符
• 传正则表达式
• 传列表
  soup.find_all(['a','b'])
  keyword 参数
  soup.find_all(id='link2')
  text 参数
  通过 text 参数可以搜搜文档中的字符串内容，与 name 参数的可选值一样, text 参数接受 字符串 , 正则表达式 , 列表
  soup.find_all(text="Elsie")

CSS选择器

• 写 CSS 时，标签名不加任何修饰，类名前加.，id名前加#
• 在这里我们也可以利用类似的方法来筛选元素，用到的方法是 soup.select()，返回类型是 list

1. 通过标签名查找
   print soup.select('title')
2. 通过类名查找
   print soup.select('.sister')
3. 通过 id 名查找
   print soup.select('#link1')
4. 组合查找
   组合查找即和写 class 文件时，标签名与类名、id名进行的组合原理是一样的，例如查找 p 标签中，id 等于 link1的内容，二者需要用空格分开
   print soup.select('p #link1')
5. 属性查找
   查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到。
   print soup.select('a[class="sister"]')
6. 获取内容
   以上的 select 方法返回的结果都是列表形式，可以遍历形式输出，然后用 get_text() 方法来获取它的内容。

urllib包跟requests包设计思想的不同

python中有多种库可以用来处理http请求，比如：urllib包、requests类库。urllib和urllib2是相互独立的模块，python3.0以上把urllib和urllib2合并成一个库了，requests库使用了urllib3。requests库特别简洁和容易理解。

注意： urlencode包所在的位置在python2与3中不同，
区别如下：

1. 构建参数：在构建请求参数时，第一种需要将请求参数使用urllib库的urlencode方法进行编码预处理，非常麻烦

2. 请求方法：发送get请求时，第一种使用的urllib库的urlopen方法打开一个url地址，而第二种直接使用requests库的get方法，与http请求方式是对应的，更加直接、易懂

3. 请求数据：第一种按照url格式去拼接一个url字符串，显然非常麻烦，第二种按顺序将get请求的url和参数写好就可以了

4. 处理响应：第一种处理消息头部、响应状态码和响应正文时分别使用.info()、.getcode()、.read()方法，第二种使用.headers、.status_code、.text方法，方法名称与功能本身相对应，更方便理解、学习和使用

5. 连接方式：看一下返回数据的头信息的“connection”，使用urllib库时，“connection”:“close”，说明每次请求结束关掉socket通道，而使用requests库使用了urllib3，多次请求重复使用一个socket，“connection”:“keep-alive”，说明多次请求使用一个连接，消耗更少的资源

6. 编码方式：requests库的编码方式Accept-Encoding更全