[转]python下很帅气的爬虫包 - Beautiful Soup 示例

原文地址http://blog.csdn.net/watsy/article/details/14161201

先发一下官方文档地址。http://www.crummy.com/software/BeautifulSoup/bs4/doc/

建议有时间可以看一下python包的文档。

Beautiful Soup 相比其他的html解析有个非常重要的优势。html会被拆解为对象处理。全篇转化为字典和数组。

相比正则解析的爬虫,省略了学习正则的高成本。

相比xpath爬虫的解析,同样节约学习时间成本。虽然xpath已经简单点了。(爬虫框架Scrapy就是使用xpath)

安装
linux下可以执行

[plain] view plaincopy
apt-get install python-bs4

也可以用python的安装包工具来安装
[html] view plaincopy
easy_install beautifulsoup4

pip install beautifulsoup4

使用简介
下面说一下BeautifulSoup 的使用。

解析html需要提取数据。其实主要有几点

1:获取指定tag的内容。

[plain] view plaincopy

hello, watsy


hello, beautiful soup.

2:获取指定tag下的属性。

[html] view plaincopy
watsy's blog
3:如何获取,就需要用到查找方法。

使用示例采用官方

[html] view plaincopy
html_doc = """

The Dormouse's story

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.

...

""" 格式化输出。 [html] view plaincopy from bs4 import BeautifulSoup soup = BeautifulSoup(html_doc)

print(soup.prettify())

</h1> <h1 id="the-dormouses-story">The Dormouse's story</h1> <h1 id="_-3">

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.

...

获取指定tag的内容
[html] view plaincopy
soup.title

The Dormouse's story

soup.title.name

u'title'

soup.title.string

u'The Dormouse's story'

soup.title.parent.name

u'head'

soup.p

The Dormouse's story

soup.a

Elsie

上面示例给出了4个方面
1:获取tag

soup.title

2:获取tag名称

soup.title.name

3:获取title tag的内容

soup.title.string

4:获取title的父节点tag的名称

soup.title.parent.name

怎么样,非常对象化的使用吧。

提取tag属性
下面要说一下如何提取href等属性。

[html] view plaincopy
soup.p['class']

u'title'

获取属性。方法是
soup.tag['属性名称']

[html] view plaincopy
watsy's blog
常见的应该是如上的提取联接。
代码是

[html] view plaincopy
soup.a['href']
相当easy吧。

查找与判断
接下来进入重要部分。全文搜索查找提取.

soup提供find与find_all用来查找。其中find在内部是调用了find_all来实现的。因此只说下find_all

[html] view plaincopy
def find_all(self, name=None, attrs={}, recursive=True, text=None,
limit=None, **kwargs):

看参数。
第一个是tag的名称,第二个是属性。第3个选择递归,text是判断内容。limit是提取数量限制。**kwargs 就是字典传递了。。

举例使用。

[html] view plaincopy
tag名称
soup.find_all('b')

[The Dormouse's story]

正则参数
import re
for tag in soup.find_all(re.compile("^b")):
print(tag.name)

body

b

for tag in soup.find_all(re.compile("t")):
print(tag.name)

html

title

列表
soup.find_all(["a", "b"])

[The Dormouse's story,

Elsie,

Lacie,

Tillie]

函数调用
def has_class_but_no_id(tag):
return tag.has_attr('class') and not tag.has_attr('id')

soup.find_all(has_class_but_no_id)

[

The Dormouse's story

,

Once upon a time there were...

,

...

]

tag的名称和属性查找
soup.find_all("p", "title")

[

The Dormouse's story

]

tag过滤
soup.find_all("a")

[Elsie,

Lacie,

Tillie]

tag属性过滤
soup.find_all(id="link2")

[Lacie]

text正则过滤
import re
soup.find(text=re.compile("sisters"))

u'Once upon a time there were three little sisters; and their names were\n'

获取内容和字符串
获取tag的字符串
[html] view plaincopy
title_tag.string

u'The Dormouse's story'

注意在实际使用中应该使用 unicode(title_tag.string)来转换为纯粹的string对象

使用strings属性会返回soup的构造1个迭代器,迭代tag对象下面的所有文本内容
[html] view plaincopy
for string in soup.strings:
print(repr(string))

u"The Dormouse's story"

u'\n\n'

u"The Dormouse's story"

u'\n\n'

u'Once upon a time there were three little sisters; and their names were\n'

u'Elsie'

u',\n'

u'Lacie'

u' and\n'

u'Tillie'

u';\nand they lived at the bottom of a well.'

u'\n\n'

u'...'

u'\n'

获取内容
.contents会以列表形式返回tag下的节点。
[html] view plaincopy
head_tag = soup.head
head_tag

The Dormouse's story

head_tag.contents
[The Dormouse's story]

title_tag = head_tag.contents[0]
title_tag

The Dormouse's story

title_tag.contents

[u'The Dormouse's story']

想想,应该没有什么其他的了。。其他的也可以看文档学习使用。

总结
其实使用起主要是
[html] view plaincopy
soup = BeatifulSoup(data)
soup.title
soup.p.['title']
divs = soup.find_all('div', content='tpc_content')
divs[0].contents[0].string

posted @ 2014-12-06 15:13  catmelo  阅读(310)  评论(0编辑  收藏  举报