学习网络数据采集（一）
创建一个网络爬虫来抓取 http://www.pythonscraping.com/pages/warandpeace.html这个网页。
在这个页面里，小说人物的对话内容都是红色的，人物名称都是绿色的。
抓出整个页面，然后创建一个 BeautifulSoup 对象：
from urllib.request import urlopen
from bs4 import BeautifulSoup
html = urlopen("http://www.pythonscraping.com/pages/warandpeace.html")
bs0bj = BeautifulSoup(html,"lxml")
nameList = bs0bj.findAll("span",{"class":"green"})
for name in nameList:
print(name.get_text())运行结果（返回的为人物名称列表，仅列出部分结果）：
Anna
Pavlovna Scherer
Empress Marya
Fedorovna
知识点一：
在BeautifulSoup中定义了两个函数：
findAll(tag, attributes, recursive, text, limit, keywords)
find(tag, attributes, recursive, text, keywords)
在 95% 的时间里都只需要使用前两个参数： tag 和 attributes 。
标签参数tag-----传一个标签的名称或多个标签名称组成的 Python列表做标签参数，如：
findAll({"h1","h2","h3","h4","h5","h6"}) # 需为标签，不能够为任意字符。
属性参数 attributes----用一个 Python 字典封装一个标签的若干属性和对应的属性值。如：
findAll("span", {"class":{"green", "red"}}) # （标签，{“标签”：{“属性一”，“属性二”，“属性三”.......}}）
递归参数 recursive-----一个布尔变量，默认为True， findAll 会根据你的要求去查找标签参数的所有子标签，以及子标签的子标签。如果 recursive 设置为 False ， findAll 就只查找文档的一级标签。（一般不需设置）文本参数 text----用标签的文本内容去匹配，而不是用标签的属性。假如我们想查找前面网页中包含“the prince”内容的标签数量，我们可以把之前的 findAll 方法换成下面的代码：
nameList = bsObj.findAll(text="the prince")
print(len(nameList))
范围限制参数 limit----只用于 findAll 方法。 find 其实等价于 findAll 的 limit 等于1 时的情形。
关键词参数 keyword----可以让你选择那些具有指定属性的标签，如：
allText = bsObj.findAll(id="text")
print(allText[0].get_text())
知识点二：
get_text()函数功能为，去掉超链接、段落和标签都清除掉，只剩下一串不带标签的文字。
用 BeautifulSoup 对象查找你想要的信息，比直接在 HTML 文本里查找信息要简单得多。通常在你准备打印、存储和操作数据时，应该最后才使用 .get_text() 。一般情况下，你应该尽可能地保留 HTML 文档的标签结构。
补充知识点：
标签：如<html>、<span>、<head>、<body>、<abbr>等，一般查看网站源码，发现在符号“<>”里面的便为标签（我猜的！！如有错误请大神指正。）
参考文献：
《Python网络数据采集》
181
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
