爬虫学习笔记（二）--BeautifulSoup总结

一.BeautifulSoup是一个类，用来处理html文件有很多方法，实例化需要传入两个参数，一个是html文件，一个是'html.parser'

    #使用BeautifulSoup
from bs4 import BeautifulSoup
#一个例子
from urllib.request import urlopen
from bs4 import BeautifulSoup
url='http://www.baidu.com'
html=urlopen(url)
bsobj=BeautifulSoup(html.read(),'html.parser')#直接把html内容转换为了BeautifulSoup类，传入html.read()参数，实例化类
html_body=bsobj.body
#若body中有h1标签
html_h1=bsobj.body.h1

二.BeautifulSoup的find（）以及findAll（）方法
（1）find与findAll
 -findAll(self, name=None, attrs={}, recursive=True, text=None, limit=None, **kwargs)
返回的是不能进行树形结构操作
-find(self, name=None, attrs={}, recursive=True, text=None, **kwargs)
返回的还是时BeautifulSoup的基类，结构没有破坏，可以进行导航树操作
可以查找该对象的子标签，后代标签，父标签，兄弟标签。
其实find（）是limit=1是findAll（）
这两个方法所有参数都是用默认值参数创建的（最后keyword是用关键字参数的收集），所以可以没有任何
1）tag：可以是一个标签，也可以是标签字典
eg:obj.findAll({'h1','h2','h3'})
2）attributes：是字典，key是属性，value是属性值（多个值时用字典表示）
!!!!并且若只输入一个参数时！要加attrs={}!!!,否则会赋值给name
eg：obj.findAll('span',{'class':{'green','red'}})
返回html文档中红色和绿色两种颜色的span标签
3）text：用标签的文本内容去匹配，text的内容也可以用正则表达式匹配模式进行匹配，即text=re.compile('')
eg：obj.findAll(text='python')
会返回所以的包含python内容的标签
注：常用就这3个参数

（2）导航树
只有用find查找的结果才能进行导航树操作，因为原始结构还保留
eg：

from urllib.request import urlopen
from bs4 import BeautifulSoup
url='http://www.baidu.com'
html=urlopen(url)
bsobj=BeautifulSoup(html.read(),'html.parser')
nuomi=bsobj.find('a',text='糯米')
nuomi2=bsobj.findAll('a',text='糯米')


print(type(nuomi))
print(type(nuomi2))


print('产生一个兄弟标签生成器','\n')
for i in nuomi.next_siblings:#产生一个兄弟标签生成器（包含除自己之外的兄弟标签顺序有页面顺序决定）
    print(i)


print('\n'*2,'糯米的下一个兄弟标签')
print(nuomi.next_sibling)#下一个兄弟标签


print('\n','糯米的父标签')
print(nuomi.parent)#生产父标签


u1=bsobj.find('div',{'class':'head_wrapper'})
for i in u1.children:
    print(i)

for i in u1.descendents:
    print(i)
#会有很多结构，因为会列出子标签的子标签。

三、获得文本和属性，lambda表达式
（1）获得文本tag.getText()
eg：>>> nuomi.getText()
'糯米'
（2）获得属性tag.attrs
eg：>>> nuomi.attrs
{'href': 'http://www.nuomi.com/?cid=002540', 'name': 'tj_trnuomi', 'class': ['mnav']}

（3）在finAll函数中才能用lambda表达式：但是tag要作为lambda表达式的参数
    eg:soup.findAll(lambda tag:len(tag.attrs)==2)