Python之爬取网页时遇到的问题——BeautifulSoup

     https://cuiqingcai.com/1319.html
http://cuiqingcai.com/1319.html    ，    http://blog.csdn.net/akak714/article/details/50130743

 

http://cuiqingcai.com/1319.html

http://blog.csdn.net/akak714/article/details/50130743

 

参考地址：Python爬虫入门之BeautifulSoup

【beautifulsoup是用来做什么的】

首先，我们回顾一下beautifulsoup的作用。

我们接触到这个Python模块，是在写Python爬虫脚本时。

用来分析所抓取网页的HTML代码，以方便的从大量的HTML代码中找到我们所需要的数据信息。

比单纯使用正则表达式，方便了许多。

【构造soup对象】

以我们之前写过的诸多代码做基础，构造一个soup对象出来，然后才能够进行解析。

from bs4 import BeautifulSoup
mainUrl="http://www.bilibili.com/online.html"
'''进入在线列表页面'''
resp=urllib2.urlopen(mainUrl)
html = resp.read().decode('utf-8').encode('gbk')
soup = BeautifulSoup(html, "html.parser", from_encoding="gbk")
构造成功。将返回的网页代码构造为一个可以解析的soup对象。
【拿到第一个标签的内容】

我们可以通过指定soup对象的标签，拿到该标签的第一个内容。如：

soup = BeautifulSoup(html, "html.parser", from_encoding="gbk")
print soup.title
打印结果如下：
<title>褰撳墠鍦ㄧ嚎 - 鍝斿摡鍝斿摡寮瑰箷瑙嗛缃� - ( 銈�- 銈�)銇ゃ儹 涔炬澂~ - bilibili</title>

我们发现乱码了，可以将其转换为string类型然后在decode一下

print str(soup.title).decode('utf-8')
打印结果如下：
<title>当前在线 - 哔哩哔哩弹幕视频网 - ( ゜- ゜)つロ 乾杯~ - bilibili</title>

 

这种soup.tag的方式，只能够拿到html代码中的第一个标签的内容。

【Tag的属性】

每个Tag，都有两个重要的属性，name和attrs

print soup.p
print soup.p.name
print soup.p.attrs
打印出的结果如下：

<p class="etitle">銆愮洏鐐广�戣繎骞村湪B绔欑湅涓嶅埌鐨�8澶у己鐣�</p>
p
{u'class': [u'etitle']}
name，即是标签名

attrs，顾名思义是属性的意思，打印出改tag所具有的属性名以及属性值。

什么算一个标签呢？<p></p>这就算一组标签了，其中再加上class="etitle"，这就属于p标签的一个属性，我们还可以给标签添加更多的属性及对应的属性值。

当然，很多标签实际使用时，大多是有属性的。

【获取某标签的某属性值】

我们知道了一个标签可能会有很多个属性，对应也会有很多个属性值。

如果我们想取得确定属性的值。怎么做呢？

print soup.p['class']
直接打印出属性值：[u'etitle']
【获取标签内部的字符串】

使用.string

print str(soup.p).decode('utf-8')
print soup.p.string
打印结果如下：
<p class="etitle">【盘点】近年在B站看不到的8大强番</p>
【盘点】近年在B站看不到的8大强番

我们发现，直接打印p.string，不乱码

 

【获取标签的所有内容】

直接打印soup.tag只能拿到第一个，接下来我们来拿到所有！

使用soup对象的find_all函数

print soup.find_all('p')
print len(soup.find_all('p'))
打印结果如下：
[<p class="etitle">\u301。。。 bc1\uff1a<span>0910417</span></p>]
45

打印出了所有的p标签内容。共45个p标签。

【find_all函数的使用】

我们可以使用find_all函数找到所有标签，当然也可以根据标签名以及属性来找到我们需要的标签。

这时需要在find_all函数中传递对应参数。

【name参数】

传字符串：

print soup.find_all('p')
传正则表达式：

print soup.find_all(re.compile('^b'))
传递正则表达式时，需要引入Python的re模块。
import re
提供对正则表达式的支持
传列表：

print soup.find_all(['p','head'])
查出p标签和head标签的所有内容。即，同时查多种标签。
当然还可以传别的，这里不再赘述。基本用不到的就不说了。

【keyword函数】

按属性以及属性值来搜索值。

print soup.find_all(class_="ebox")
print len(soup.find_all(class_='ebox'))
打印结果如下：
[<div class="ebox" typeid="27"><a href="/video/av3297224/" target="_blank" title="\u3010\u76d8\u70b9\u3011\u8fd1\u5e74\u5728B\u7ad9\u770b\u4e0d\u5230\u76848\u5927\u5f3a\u756a"><img 。。。。。u5728\u7ebf</p></div>]
20

共20个ebox。

【注意】这里注意，因为class是Python的关键词，所以在class后加下划线

这里虽然能够找出来，但find_all函数有一个问题，就是中文编码。

我们之前使用find_all函数寻找所需要的数据的时候，中文总是乱码。find_all这个函数会把查出来的字符串搞乱，所以是有一定局限性的。

甚至最终我们都没有使用find_all函数！

 

【CSS选择器】

我们最终决定使用的是soup.select函数，又叫CSS选择器。

我们使用CSS选择器来寻找符合要求的数据。

soup.select()找到的数据，返回为list类型，即，寻找到的是所有符合要求的数据。

查找方式如下：

【通过标签名查找】

print soup.select('div')
直接返回所有div标签的所有内容

【通过类名查找】

print soup.select('.ebox')
print len(soup.select('.ebox'))
. 这个点表示查询class="ebox"的，所有标签内容
可以查询出20条数据。

【通过id名查找】
————————————————
版权声明：本文为CSDN博主「AKAK714」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/akak714/java/article/details/50130743

 

 

 

记下两个与本文内容不太相关的知识点。

     import re   对正则表达式支持的包。

     str(soup.p).decode('utf-8')     对标签内容转码。

 

     Beautiful Soup 是用Python写的一个HTML/XML的解析器，它可以很好的处理不规范标记并生成剖析树。 它提供简单又常用的导航，搜索以及修改剖析树的操作。它可以大大节省你的编程时间。

    

     通俗的来说，就是在

            req = urllib2.Request(url, headers=headers)
            page = urllib2.urlopen(req, timeout=60)
            contents = page.read()

    之后，对contents进行解析  soup = BeautifulSoup(contents, 'html.parser')，这样构建的是Python标准库，然后我们便可以对这个soup对象进行一系列的操作，提取我们所需要的元素。

    我们对用法进行一下解释：

    soup.title    得到的是<title>标签，以及标签里的内容。但是得到的是所有<title>标签中的第一个。<title>这里是内容</title>，红字部分。

    soup.title.name    得到的是<title>标签的name属性的值。得到的是所有<title>标签中的第一个。

    soup.title.string    得到的是<title>开始和结束标签之间的值。<title>这里是内容</title>，即红字部分。得到的是所有<title>标签中的第一个。

    soup.find_all('title')     得到所有标签为<title>的的标签，以及标签里的内容。返回的是一个序列，可以对它循环，得到自己想要的东西。

    soup.find(id='3')     得到id为3的标签。

    soup.p.get_text()    返回的是<p>标签的文本。

    soup.a['href']          返回<a>标签的 herf 值 。

    soup.head.contents      获得head下的所有子孩子。以列表的形式返回结果，可以使用 [num]  的形式获得 。获得标签，使用.name 就可以。

    print soup.find_all(text="Elsie")     获得文本为Elsie的标签。

    print soup.find_all("a", limit=2)       返回两个<a>标签。

    string属性，如果超过一个标签的话，那么就会返回None，否则就返回第一个标签的string。超过一个标签的话，可以试用strings。

    获取标签的孩子，可以使用children，但是不能print soup.head.children，没有返回列表，返回的是 <listiterator object at 0x108e6d150>,不过使用list可以将其转化为列表。可以使用for 语句遍历里面的孩子。

     向上查找可以用parent函数，如果查找所有的，那么可以使用parents函数。

     查找下一个兄弟使用next_sibling，查找上一个兄弟节点使用previous_sibling,如果是查找所有的，那么在对应的函数后面加s就可以。

 

     soup.select()找到的数据，返回为list类型，即，寻找到的是所有符合要求的数据。

 

      soup.select('div')     直接返回所有div标签的所有内容

      soup.select('.ebox')      . 这个点表示查询class="ebox"的，所有标签内容。

      len(soup.select('.ebox'))      可以查询出20条数据。

      soup.select('#index_nav')      查找所有id为 index_nav 的标签。

      soup.select('div #index_nav')    表示寻找div标签中id为index_nav的标签内容。

      soup.select('p[class="etitle"]')     查找所有class为etitle的<p>标签。

 

 

http://cuiqingcai.com/1319.html    ，    http://blog.csdn.net/akak714/article/details/50130743   这两个网址可以学习一下。