第6章 网页解析器和BeautifulSoup第三方插件
第一节 网页解析器简介
作用：从网页中提取有价值数据的工具
python有哪几种网页解析器？其实就是解析HTML页面
正则表达式：模糊匹配
结构化解析-DOM树：
html.parser
Beautiful Soup
lxml
第二节 BeautifulSoup模块介绍和安装
介绍：是Python第三方库，用户从HTML或xml中提取数据
官网：http://www.crummy.com/software/BeautifulSoup/
安装并测试beautifulsoup4
安装：pip install beautifulsoup4
测试：import bs4
第三节：BeautifulSoup4的语法
分成三部分：创建对象、搜索节点
创建一个BeautifulSoup对象---搜索结点 find_all、find方法
访问结点名称、属性、文字
<a href = "123.html" calss = "a"> python</a>举例
代码：
from bs4 import beautifulsoup
#根据HTML网页字符串创建BeautifulSoup对象
创建对象
soup = BeautifulSoup(
html_doc, #HTML文档字符串
'heml.parser' #HTML解析器
from_encoding = 'utf8' #HTML文档的边密码
)
搜索节点：
#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.html形式的节点
soup.find_all('a',href='/view/123.html')
soup.find_all('a',href='re.compile(r'/view/\d+/.html)')
#查找所有标签为divc,class为abc，文字为python的节点
soup.find_all('div',class_='abc',string='python')
访问结点信息：
#得到结点：<a href = '1.html'>Python</a>
#获取查找到的节点的标签名称
node.name
#获取查找到的节点的href属性
node.['href']
#获取查找到的节点的链接文字
node.get_text()
第四节 BeautifulSoup的实例测试
亲测有效：需要安装bs4第三方库
代码：
import re
from bs4 import BeautifulSoup
html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
soup = BeautifulSoup(html_doc,'html.parser',from_encoding='utf-8')
links = soup.find_all('a')
for link in links:
print link.name,link['href'],link.get_text()
link_node = soup.find('a',href = 'http://example.com/lacie')
print link_node.name, link_node['href'], link_node.get_text()
link_node = soup.find('a',href = re.compile(r'ill'))
print link_node.name, link_node['href'], link_node.get_text()
p_node = soup.find('p',class_ = 'title')
print p_node.name, p_node.get_text()
