获取一个网页内容的函数建议采用:
import requests
def getHTMLText():
try:
r=requests.get(url,timeout=30)
r.raise_for_status() #如果状态不是200,引发异常。200成功 404失败
r.encoding='utf-8' #无论原来使用什么编码。都改成utf-8
return r.text #返回url的内容
except:
return ""
测试代码
url="http://www.baidu.com"
print(getHTMLText(url))
关于requests更多介绍:
http://docs.python-requests.org
使用requests库获取HTML页面并且将其转换为字符串后,需要进一步解析HTML页面格式,需要处理HTML和XML的函数库
beautifulsoup4库,也称Beautiful Soup库或bs4库,用于解析和处理HTML和XML,注意:它不是Beautifulsoup库。它最大的优点是能根据HTML和XML语法建立解析树,进而高效地解析其中的内容
它把每一个页面当做一个对象
使用它之前需要进行引用,可以采用from-import的方式从库中直接引用BeautifulSoup类,如下:
>>>from bs4 import BeautifulSoup
更多:http://www.crummy.com/software/BeautifulSoup/bs4
创建的BeautifulSoup对象是一个树形结构,它包含HTML页面中的每一个Tag(标签)元素,如<head>.<body>等。
具体来说,HTML中的主要结构都变成了BeautifulSoup对象的一个属性,可以直接用<a>.<b>形式获得,其中<b>的名字采用HTML中标签的名字。
>>> from bs4 import BeautifulSoup
>>> soup=BeautifulSoup(r.text)
>>> type(soup)
<class 'bs4.BeautifulSoup'>
>>> soup.head #略去<style>
<head><meta content="text/html;charset=utf-8" http-equiv="content-type"/><meta content="IE=Edge" http-equiv="X-UA-Compatible"/><meta content="always" name="referrer"/><link href="http://s1.bdstatic.com/r/www/cache/bdorz/baidu.min.css" rel="stylesheet" type="text/css"/><title>百度一下,你就知道</title></head>
>>> soup.head #略去<sttyle>标签输出
<head><meta content="text/html;charset=utf-8" http-equiv="content-type"/><meta content="IE=Edge" http-equiv="X-UA-Compatible"/><meta content="always" name="referrer"/><link href="http://s1.bdstatic.com/r/www/cache/bdorz/baidu.min.css" rel="stylesheet" type="text/css"/><title>百度一下,你就知道</title></head>
>>> title=soup.title #HTML页面标题,在<head>之中,由<title>标记
>>> title
<title>百度一下,你就知道</title>
>>> type(title)
<class 'bs4.element.Tag&