爬虫框架 Beautiful Soup 4 使用心得

Beautiful Soup 4.4.0 

1. 参考

官方文档：http://beautifulsoup.readthedocs.io/zh_CN/latest/

2. 解压后

目录结构如下：

小技巧：

如果WinZIP解压不了tar.gz，则可以先传到Linux机器上使用 tar 命令解压，然后回传到windows机器上来。

3. 注意事项

1) 电脑先要安装Python，这个可以搜索一下，下载相应的版本！我下载的是3.3.1

2) Python 3.3.1 环境下，build bs4.4会不成功，build bs4.3是成功的！

4. 附录

Windows安装：http://blog.csdn.net/jenyzhang/article/details/45828481

Python编辑器：Pycharm community Edition IDE

5. 初步尝试

Take action!

6. 爬取子页面数据的Python代码

我又编辑了一下文章，因为已经完成了完整的代码，爬取到了需要的子页面数据，保存到了excel中。开心！又会了一门东西！

链接：http://pan.baidu.com/s/1jHFfdWy

7. 使用到的 Python 语法

7.1 函数定义

def funtion1(param1, param2)

..omit...

return var1;

7.2 流程语句

7.2.1 If..else

a. 判断对象/字符串是否为空

if (var1 is None):
	print("var1 is None")
else:
	#print("var1 is not None");

b. 判断列表是否为空

if len(list1) == 0:
	print("list is empty");
else:
	print("list is not empty");

7.2.2 Try..except

异常捕捉

try:
	print("this is try clause");
except:
	print("handling clause in exception");
finally:
	print("finally clause");

7.2.3 For..in

迭代循环

for link in soup.find_all("a[href]"):
	href = link["href"];           # also used as link.get("href");
	print("href is %s" % (href));

7.3 BeautifulSoup 语法

7.3.1 CSS选择器

soup.select("a[href]")   --》 选择带有href属性的<a> tag.

soup.select('div[title*="关键字"]')  --》选择 title属性含有 “关键字“ 的<div> tag.