python爬虫beautifulsoup4系列2
前言
本篇详细介绍beautifulsoup4的功能，从最基础的开始讲起，让小伙伴们都能入门
一、读取HTML页面
1.先写一个简单的html页面，把以下内容copy出来，保存为html格式文件
<meta charset="UTF-8"> <!-- for HTML5 -->
<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />
<html><head><title>yoyo ketang</title></head>
<body>
<b><!--Hey, this in comment!--></b>
<p class="title"><b>yoyoketang</b></p>
<p class="yoyo">这里是我的微信公众号：yoyoketang
<a href="http://www.cnblogs.com/yoyoketang/tag/fiddler/" class="sister" id="link1">fiddler</a>,
<a href="http://www.cnblogs.com/yoyoketang/tag/python/" class="sister" id="link2">python</a>,
<a href="http://www.cnblogs.com/yoyoketang/tag/selenium/" class="sister" id="link3">selenium</a>;
快来关注吧！</p>
<p class="story">...</p>
2.为了学习方便，可以把此html文件和脚本放同一文件夹下
3.用python的open函数读取这个html,如下图能正确打印出来，说明读取成功了
二、解析器：html.parser
1.用BeautifulSoup的构造方法,就能得到一个文档的对象, 可以传入一段字符串或一个文件句柄
2.如果我们调用BeautifulSoup这个类的时候，不带"html.parser"参数，这时候会有个waring的，下图红色框框区域给出了建议。
3.html.parser这个是python库里面自带的解析器，无需安装。
4.prettify()这个方法是把文件解析成html格式，用html的标准格式输出（有缩进的）
三、对象的种类
1.Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种:
Tag : 标签对象，如：<p class="title"><b>yoyoketang</b></p>，这就是一个标签
NavigableString ：字符对象，如：这里是我的微信公众号：yoyoketang
BeautifulSoup ：就是整个html对象
Comment ：注释对象，如：!-- for HTML5 --，它其实就是一个特殊NavigableString
2.弄清楚了这四个对象，后面所有的操作但是基于这四个（其实最后面一个comment可以忽略，几乎用不到）
四、Tag对象
1.html里面识别一个tag，其实一般像这种：
<p class="title"><b>yoyoketang</b></p>
<b>yoyoketang</b>
<head><title>yoyo ketang</title></head>
以上这些都是tag,很明显都是以<xx 开头</xx> 结尾这种，就是一个完整的tag
2.通过标签的名称，来获取tag对象
3.如果有多个相同的标签名称，返回的是第一个
五、Tag对象：name属性
1.tag的name属性，每一个tag都有name属性，用.name获取，如上面的三个name属性分别为p,b,head。也就是<xx开头的，这里的xx就是它的name属性
2.html是一个树状结构的，每个tag都有属性，整个html对象也有name属性，它的属性是：[document]
六、Tag对象：Attributes
1.tag.attrs可以打印出所有的属性，可以看出是个字典格式的
2.那么获取其中的某一个属性，就跟操作字典一样，如：tag["href"]
3.由于class属性一般可以为多个，中间空格隔开，所以class属性获取的是一个list类型：[u'sister']
4.tag.string，这里Tag对象变成NavigableString对象了，呵呵小伙伴们要懵逼了吧。其实打印出来就是一个字符串。
七、发福利
1.爬糗事百科首页的段子
# coding:utf-8
from bs4 import BeautifulSoup
import requests
r = requests.get("https://www.qiushibaike.com/")
qiubai = r.content
soup = BeautifulSoup(qiubai, "html.parser")
duanzi = soup.find_all(class_="content")
for i in duanzi:
# tag的 .contents 属性可以将tag的子节点以列表的方式输出
duan = i.span.contents[0] # 取第一个
print duan
对python接口自动化有兴趣的，可以加python接口自动化QQ群：226296743
也可以关注下我的个人公众号：
