利用Python和Beautiful Soup抓取网页内容

      Python 3中提供了url打开模块urllib.request和HTML的解析模块html.parser模块。但是html.parser模块的功能比较简单，很难满足现今解析网页内容的需求。Beautiful Soup 4是一个功能非常强大的HTML和XML文件解析Python库。而且它提供了非常完善的文档（http://www.crummy.com/software/BeautifulSoup/bs4/doc/）。

 

Beautiful Soup 4的安装及相关问题

      Beautiful Soup的最新版本是4.1.1可以在此获取（http://www.crummy.com/software/BeautifulSoup/bs4/download/）。我使用的是Mac OSX，在这个平台上安装Beautiful Soup，只需解压安装包并运行setup.py文件即可：

$ python3 setup.py install

      安装过程中如果得到SyntaxError “Invalid syntax” on the line ROOT_TAG_NAME = u'[document]'，需要将Python 2的代码转化成Python 3：

$ 2to3-3.2 -w bs4

 

URL中的中文编码问题

      在URL中经常会见到包含中文的情况，如下面这个在去哪儿网上搜索2012-08-09日从北京到丽江的机票的URL：

http://flight.qunar.com/site/oneway_list.htm?searchDepartureAirport=北京&searchArrivalAirport=丽江&searchDepartureTime=2012-08-09

      如果直接将这个URL传给urllib.request.urlopen会导致TypeError。解决方法是构造一个参数名和参数值的元组，并利用urllib.parse.urlencode方法对其编码。示例代码如下：

url ='http://flight.qunar.com/site/oneway_list.htm'
values ={'searchDepartureAirport':'北京','searchArrivalAirport':'丽江','searchDepartureTime':'2012-07-25'}
encoded_param = urllib.parse.urlencode(values)
full_url = url +'?'+ encoded_param

 

网页内容抓取:下面的示例代码展示了如何抓取百度搜索关键字“网球”时的网页内容。

import urllib.parse
import urllib.request
from bs4 import BeautifulSoup

url ='http://www.baidu.com/s'
values ={'wd':'网球'}
encoded_param = urllib.parse.urlencode(values)
full_url = url +'?'+ encoded_param
response = urllib.request.urlopen(full_url)
soup =BeautifulSoup(response)
soup.find_all('a')