爬虫入门（三）：BeautifulSoup

date: 2016-10-10 08:49:53

BeautifulSoup，网页解析器，DOM树，结构化解析。

1 安装

BeautifulSoup4.x 兼容性不好，选用BeautifulSoup3.x + Python 2.x.
下载安装包放在/lib文件下，DOS下输入:
1 python setup.py build
2 python setup.py install

2 测试

IDLE里输入:

import BeautifulSoup

print BeautifulSoup
运行显示：

3 网页解析器-BeautifulSoup-语法

由HTLM网页可进行以下活动：

1. 创建BeautifulSoup对象
2. 搜索节点find_all/find
3. 访问节点名称、属性、文字

例如：
Python

节点名称：a

节点属性：herf='123.html'
节点属性：class='article_link'

节点内容：Python

4 创建BeautifulSoup对象

 import BeautifulSoup
 
 
根据HTML网页字符串创建BeautifulSoup对象
 
 
soup = BeautifulSoup(
 html_doc, #HTLM文档字符串
 'htlm.parser' #HTLM解析器
 from_encoding='utf8' #HTLM文档的编码
 )
 

5 搜索节点（find_all,find）

 
 
方法：find_all(name,attrs,string)
 
 
查找所有标签为a的节点
 
 
soup.find_all('a')
 
 
查找所有标签为a,链接符合/view/123.htlm形式的节点
 
 
soup.find_all('a',href='/view/123.htlm')
 soup.find_all('a',href=re.compile(r'/view/d+.htm'))
 
 
查找所有标签为div,class为abc,文字为Python的节点
 
 
soup.find_all('div',class_='abc',sting='Python')
 

6 访问节点信息

 
 
得到节点：Python
 
 
获得查找到的节点的标签名称
 
 
node.name
 
 
获得查找到的a节点的href属性
 
 
node['herf']
 
 
获取查找到的a节点的链接文字
 
 
node.get_text()
 

7 实例测试

#coding:utf-8
from bs4 import BeautifulSoup

html_doc = """


The Dormouse's story

Once upon a time there were three little sisters; and their names were
Elsie,
Lacie and
Tillie;
and they lived at the bottom of a well.

...
"""

#创建对象
soup = BeautifulSoup(html_doc, 'htlm.parser', from_encoding='utf-8') #参数：文档字符串，解析器，指定编码

print '获取所有的链接'
links = soup.find_all('a')  #获取所有的链接
for link in links:
    print link.name, link['href'],link.get_text()  #名称，属性，文字