摘要：爬虫之简介提供一些简单的式的函数用来处理导航搜索修改分析树等功能。自动将输入文档转换为编码，输出文档转换为编码。已成为和一样出色的解释器，为用户灵活地提供不同的解析策略或强劲的速度。
python爬虫之BeautifulSoup 简介
安装**Beautiful Soup提供一些简单的、python式的函数用来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。你不需要考虑编码方式，除非文档没有指定一个编码方式，这时，Beautiful Soup就不能自动识别编码方式了。然后，你仅仅需要说明一下原始编码方式就可以了。
Beautiful Soup已成为和lxml、html6lib一样出色的python解释器，为用户灵活地提供不同的解析策略或强劲的速度。**
创建BeautifulSoup对象pip install BeautifulSoup4
easy_install BeautifulSoup4
首先应该导入BeautifulSoup类库 from bs4 import BeautifulSoup
下面开始创建对像，在开始之前为了方便演示，先创建一个html文本，如下：
html = """The Dormouse"s story The Dormouse"s story
Once upon a time there were three little sisters; and their names were , Lacie and Tillie; and they lived at the bottom of a well.
...
"""
Tag创建对象：soup=BeautifulSoup(html,"lxml"),这里的lxml是解析的类库，目前来说个人觉得最好的解析器了，一直在用这个，安装方法：pip install lxml
注意：Tag就是html中的一个标签，用BeautifulSoup就能解析出来Tag的具体内容，具体的格式为soup.name,其中name是html下的标签，具体实例如下：
print soup.title输出title标签下的内容，包括此标签，这个将会输出
The Dormouse"s story print soup.head
get这里的格式只能获取这些标签的第一个，后面会讲到获取多个标签的方法。其中对于Tag有两个重要的属性name和attrs,分别表示名字和属性,介绍如下：
name:对于Tag，它的name就是其本身，如soup.p.name就是p
attrs是一个字典类型的，对应的是属性-值，如print soup.p.attrs,输出的就是{"class": ["title"], "name": "dromouse"},当然你也可以得到具体的值，如print soup.p.attrs["class"],输出的就是[title]是一个列表的类型，因为一个属性可能对应多个值,当然你也可以通过get方法得到属性的，如：print soup.p.get("class")。还可以直接使用print soup.p["class"]
get方法用于得到标签下的属性值，注意这是一个重要的方法，在许多场合都能用到，比如你要得到
标签下的图像url,那么就可以用soup.img.get("src"),具体解析如下：
print soup.p.get("class") #得到第一个p标签下的src属性
string
得到标签下的文本内容，只有在此标签下没有子标签，或者只有一个子标签的情况下才能返回其中的内容，否则返回的是None具体实例如下：
print soup.p.string #在上面的一段文本中p标签没有子标签，因此能够正确返回文本的内容
print soup.html.string #这里得到的就是None,因为这里的html中有很多的子标签
get_text()
搜索文档树 find_all( name , attrs , recursive , text , **kwargs )可以获得一个标签中的所有文本内容，包括子孙节点的内容，这是最常用的方法
find_all是用于搜索节点中所有符合过滤条件的节点
name参数：是Tag的名字，如p,div,title .....
soup.find_all("p") 查找所有的p标签，返回的是[The Dormouse"s story]，可以通过遍历获取每一个节点，如下：
ps=soup.find_all("p")
for p in ps:
print p.get("class") #得到p标签下的class属性
传入正则表达式：soup.find_all(re.compile(r"^b")查找以b开头的所有标签，这里的body和b标签都会被查到
传入类列表：如果传入列表参数,BeautifulSoup会将与列表中任一元素匹配的内容返回.下面代码找到文档中所有标签和标签
soup.find_all(["a", "b"])
KeyWords参数，就是传入属性和对应的属性值，或者一些其他的表达式
soup.find_all(id="link2"),这个将会搜索找到所有的id属性为link2的标签。传入正则表达式soup.find_all(href=re.compile("elsie")),这个将会查找所有href属性满足正则表达式的标签
传入多个值：soup.find_all(id="link2",class_="title") ,这个将会查找到同时满足这两个属性的标签，这里的class必须用class_传入参数，因为class是python中的关键词
有些属性不能通过以上方法直接搜索，比如html5中的data-*属性，不过可以通过attrs参数指定一个字典参数来搜索包含特殊属性的标签，如下：
# [foo!] data_soup.find_all(attrs={"data-foo": "value"}) #注意这里的atts不仅能够搜索特殊属性，亦可以搜索普通属性 soup.find_all("p",attrs={"class":"title","id":"value"}) #相当与soup.find_all("p",class_="title",id="value")
text参数：通过 text 参数可以搜搜文档中的字符串内容.与 name 参数的可选值一样, text 参数接受 字符串 , 正则表达式 , 列表, True
soup.find_all(text="Elsie")
# [u"Elsie"]
soup.find_all(text=["Tillie", "Elsie", "Lacie"])
# [u"Elsie", u"Lacie", u"Tillie"]
soup.find_all(text=re.compile("Dormouse"))
[u"The Dormouse"s story", u"The Dormouse"s story"]
limit参数：find_all() 方法返回全部的搜索结构,如果文档树很大那么搜索会很慢.如果我们不需要全部结果,可以使用 limit 参数限制返回结果的数量.效果与SQL中的limit关键字类似,当搜索到的结果数量达到 limit 的限制时,就停止搜索返回结果.
文档树中有3个tag符合搜索条件,但结果只返回了2个,因为我们限制了返回数量,代码如下：
soup.find_all("a", limit=2)
# [Elsie,
# Lacie]
find( name , attrs , recursive , text , **kwargs )recursive 参数:调用tag的 find_all() 方法时,BeautifulSoup会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False
css选择器它与 find_all() 方法唯一的区别是 find_all() 方法的返回结果是值包含一个元素的列表,而 find() 方法直接返回结果,就是直接返回第一匹配到的元素，不是列表，不用遍历，如soup.find("p").get("class")
通过标签名查找我们在写 CSS 时，标签名不加任何修饰，类名前加点，id名前加#，在这里我们也可以利用类似的方法来筛选元素，用到的方法是 soup.select()，返回类型是 list
print soup.select("title")
#[The Dormouse"s story ]
print soup.select("a")
#[, Lacie, Tillie]
通过类名查找
print soup.select(".sister")
#[, Lacie, Tillie]
通过id名查找
print soup.select("#link1")
#[]
组合查找
学过css的都知道css选择器，如p #link1是查找p标签下的id属性为link1的标签
print soup.select("p #link1") #查找p标签中内容为id属性为link1的标签
#[]
print soup.select("head > title") #直接查找子标签
#[The Dormouse"s story ]
属性查找
查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到。
print soup.select("a[class="sister"]")
#[, Lacie, Tillie]
print soup.select("a[href="http://example.com/elsie"]")
#[]
同样，属性仍然可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格,代码如下：
print soup.select("p a[href="http://example.com/elsie"]")
#[]
以上的 select 方法返回的结果都是列表形式，可以遍历形式输出，然后用 get_text() 方法来获取它的内容
soup = BeautifulSoup(html, "lxml")
print type(soup.select("title"))
print soup.select("title")[0].get_text()
for title in soup.select("title"):
print title.get_text()
更多文章请移步本人博客
文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。
转载请注明本文地址：https://www.ucloud.cn/yun/38615.html
摘要：它也会在同一个实例发出的所有请求之间保持，期间使用的功能。而主要是方便解析源码，从中获取请求需要的一些参数完整代码请输入账号请输入密码项目地址模拟京东登录吐槽群 Python 爬虫之模拟登陆CSND 工具 基本的脚本语言是Python，虽然不敢说是最好的语言，至少是最好的之一（0.0），用模拟登陆，我们需要用到多个模块，如下： requests BeautifulSoup requ...
摘要：流程作为上述过程的一个演示，我们使用的网址为页面如下在表单中输入德国，跳转后的页面如下我们可以发现，在搜索的结果中，会出现德国这个搜索结果。点击该搜索结果，跳转后的页面如下在这个页面中有我们需要的德国的国旗。 介绍 本篇博客将会介绍一个Python爬虫，用来爬取各个国家的国旗，主要的目标是为了展示如何在Python的requests模块中使用POST方法来爬取网页内容。 为了知道...
摘要：本次爬虫项目将会用到模块中的类，多线程豆瓣电影图片。总结通过上述两个爬虫程序的对比，我们不难发现，同样是下载豆瓣电影，个网页中的图片，在没有使用多线程的情况下，总共耗时约，而在使用多线程个线程的情况下，总共耗时约秒，效率整整提高了约倍。 爬虫项目介绍 本次爬虫项目将爬取豆瓣Top250电影的图片，其网址为：https://movie.douban.com/top250， 具体页面如...
摘要：笔者看到了，觉得还蛮有意思的，因此，决定自己也写一个玩玩首先我们的爬虫要能将英语单词翻译成中文，因此，我们就需要一个网站帮助我们做这件事情。 最近在微信公众号中看到有人用Python做了一个爬虫，可以将输入的英语单词翻译成中文，或者把中文词语翻译成英语单词。笔者看到了，觉得还蛮有意思的，因此，决定自己也写一个玩玩~~ 首先我们的爬虫要能将英语单词翻译成中文，因此，我们就需要一个网...
摘要：在不懂和等协议的情况下，我直接打个比方来解释一下什么是请求，以浏览器为例，人在浏览器输入，然后敲击键，直到页面出现，整个过程，我们可以抽象为我们向百度服务器发起的一次请求。更专业，更详细的解释，自己去百度学习吧。 前言 刚学完python基础，想学习爬虫的新手，这里有你想要的东西。 本文着重点在于教新手如何学习爬虫，并且会以外行人的思维进行形象地讲解。最近我一兄弟想学，我就想写个...
阅读 2230·2021-11-22 14:56
阅读 9832·2021-09-08 10:45
阅读 1966·2019-08-30 13:54
阅读 2857·2019-08-29 16:54
阅读 2003·2019-08-29 14:20
阅读 1772·2019-08-29 12:25
阅读 1851·2019-08-29 12:17
阅读 1048·2019-08-23 18:29
