python爬虫之BeautifulSoup
Posted 奋斗中的菲比
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了python爬虫之BeautifulSoup相关的知识，希望对你有一定的参考价值。
Beautiful Soup，字面意思是美好的汤，是一个用于解析html文件的Python库
windows下载和安装
装汤——Making the Soup
首先要把待解析的HTML装入BeautifulSoup。BeautifulSoup可以接受文件句柄或是字符串作为输入：
方式一：
from bs4 import BeautifulSoup
fp = open("index.html")
soup1 = BeautifulSoup(fp)
#soup2 = BeautifulSoup("<html>data</html>")方式二：
html = """
<html><head><title>The Dormouse‘s story</title></head>
<body>
<p class="title" name="dromouse"><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)
soup = BeautifulSoup(html)
print soup.prettify()
汤料——Soup中的对象
这里有四个对象tag,NavigableString(用来输出标签里的文字部分)
,
（1）Tag
<html><head><title>The Dormouse‘s story</title></head>
<p class="title" name="dromouse"><b>The Dormouse‘s story</b></p>
<a href="http://example.com/elsie" class="sister" id="link1"><!-- Elsie --></a>,
这里的head,title,p,a都是标签tag
print soup.p ,‘\n‘,soup.a ,‘\n‘,soup.head,‘\n‘, soup.title,‘\n‘
输出结果：
<p class="title" name="dromouse"><b>The Dormouse‘s story</b></p>
<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
<head><title>The Dormouse‘s story</title></head>
<title>The Dormouse‘s story</title>
我们可以利用 soup加标签名轻松地获取这些标签的内容，是不是感觉比正则表达式方便多了？不过有一点是，它查找的是在所有内容中的第一个符合要求的标签
我们可以验证一下这些对象的类型
print ‘\n‘,type(soup.a),‘\n‘,type(soup.p)
输出结果：
<class ‘bs4.element.Tag‘>
<class ‘bs4.element.Tag‘>
对于 Tag，它有两个重要的属性，是 name 和 attrs，
soup 对象本身比较特殊，它的 name 即为 [document]，对于其他内部标签，输出的值便为标签本身的名称。
print soup.name
print soup.p.name,soup.head.name
输出结果：
[document]
p head
attr：
print soup.p[‘name‘]输出标签p里的属性name的值
（2）NavigableString
print soup.p.string
输出结果：
The Dormouse‘s story
（3）BeautifulSoup
BeautifulSoup 对象表示的是一个文档的全部内容.大部分时候,可以把它当作 Tag 对象，是一个特殊的 Tag，我们可以分别获取它的类型，名称，以及属性
（4）Comment
Comment 对象是一个特殊类型的 NavigableString 对象，其实输出的内容仍然不包括注释符号
比如标签a<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
这里就包括了注释符号<!-- -->
a 标签里的内容实际上是注释，但是如果我们利用 .string 来输出它的内容，我们发现它已经把注释符号去掉了，所以这可能会给我们带来不必要的麻烦。
另外我们打印输出下它的类型，发现它是一个 Comment 类型，所以，我们在使用前最好做一下判断，判断代码如下
上面的代码中，我们首先判断了它的类型，是否为 Comment 类型，然后再进行其他操作，如打印输出。
未完待续~
以上是关于python爬虫之BeautifulSoup的主要内容，如果未能解决你的问题，请参考以下文章