爬虫学习——网页解析器Beautiful Soup

Posted 2020-09-27 ryuuku

一.Beautiful Soup的安装与测试

官方网站：https://www.crummy.com/software/BeautifulSoup/

  Beautiful Soup安装与使用文档:  https://www.crummy.com/software/BeautifulSoup/bs4/doc/

1.首先测试一下bs4模块是否已经存在，若不存在再安装即可，我用的是kali测试发现bs4模块已经存在，下面介绍如何测试与安装

新建python文档输入以下代码

1 import bs4
2 print bs4

显示一下结果即说明bs4模块已经存在，其他情况则需要安装

安装代码如下

1 sudo apt-get  install python-pip2 
3 sudo pip install beautifulsoup4 

之后再进行测试即可

就会显示出来这时就说明 Beautiful Soup

 

 安装已经完成

二、Beautiful Soup的语法

find_all:搜索出满足要求的所有节点

find:搜索出满足要求的第一个节点

二者的参数是一样的

2.按照节点名称、属性值、文字进行的搜索

 

3.创建Beautiful Soup对象相应的代码

 1 from bs4 import BeautifulSoup
 2 
 3 #根据html网页字符串创建BreautifulSoup对象
 4 soup = BeautifulSoup(
 5         html_doc,                          #HTML文档字符串   
 6         \'html.parser\'                      #HTML解析器
 7         from_encoding=\'utf-8\'         #HTML文档的编码
 8         )

4.搜索节点（find_all,find）

find_all(name节点名称,attrs节点属性,string节点文字)

 

 1 # 方法：find_all(name,attrs,string)
 2 
 3 #查找所有标签为a的节点
 4 soup.find_all(\'a\')
 5 
 6 #查找所有标签为a，链接符合/view/123.html形式的节点
 7 soup.find_all(\'a\',href=\'/view/123.html\')
 8 soup.find_all(\'a\',href=re.compile(r\'/view/\\d+\\.htm\'))    #bs中可以在find方法中的名称和属性上使用正则表达式来匹配对应的内容
 9 
10 #查找所有标签为div，class为abc，文字为python的节点
11 soup.find_all(\'div\',class_=\'abc\',string=\'python\')

 

5.得到节点后访问节点信息

 1 #假如得到节点：<a href=\'1.html\'>python</a>
 2
 3 #获取查找到的a节点的href属性
 4 node.name
 5 
 6 #获取查找到的a节点的href属性,以字典的形式访问到a节点所有的属性  
 7  node[\'href\']
 8
 9 #获取查找到的a节点的链接文字
10 node.get_text()

通过以上创建bs4对象，搜索DOM树，访问节点的内容，就可以实现对整个下载好的网页

所有节点的解析和访问。下一篇博文将给一个完整的示例代码