爬虫系列之BeautifulSoup

BeautifulSoup是处理爬虫的一个强大工具，在HTML页面中，是由各种标签构成的，BeautifulSoup的功能就是从标签下手的，它是解析、遍历、维护“标签树”的功能库。

BeautifulSoup的基本元素如下：

1. 基本格式如下：

1 from bs4 import BeautifulSoup
2 import requests
3 
4 url = "http://python123.io/ws/demo.html"
5 
6 r = requests.get(url)
7 demo = r.text
8 soup = BeautifulSoup(demo, "html.parser")  #将爬到的内容进行解析，demo就是内容，"html.parser"是解析器，按照html格式来进行解析
9 print(soup.prettify())  #输出解析得到的内容

解析效果如下：

2. 具体使用方法如下：

 1 >>> from bs4 import BeautifulSoup
 2 >>> import requests
 3 >>> url = "http://python123.io/ws/demo.html"
 4 >>> r = requests.get(url)
 5 >>> demo = r.text
 6 >>> soup = BeautifulSoup(demo, "html.parser")
 7 >>> soup.title  #显示标题
 8 
 9 >>> soup.a  #显示a标签内容
10 class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python
11 >>> soup.a.name  #显示a标签名字
12 'a'
13 >>> soup.a.parent.name  #显示a标签父标签名字
14 'p'
15 >>> soup.a.parent.parent.name  #显示a标签父标签的父标签名字
16 'body'
17 >>> soup.a.attrs  #获得a标签的属性
18 {'href': 'http://www.icourse163.org/course/BIT-268001', 'class': ['py1'], 'id': 'link1'}
19 >>> soup.a.attrs["class"]  #因为是字典，所以这里用字典形式可以获得各个属性的值
20 ['py1']
21 >>> type(soup.a.attrs)
22 <class 'dict'>   #字典类型
23 >>> soup.a.string  #获得a标签中的字符内容
24 'Basic Python'
25 >>> soup   #soup内容如下
26 
27 
28 
class="title">The demo python introduces several python courses.
29 
class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
30 
31 class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python and class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">Advanced Python.
32 
33 >>> 

3. 标签树的下行遍历

 1 >>> soup.head  #获取soup的head
 2 
 3 >>> soup.head.contents  #获取head的儿子结点
 4 []
 5 >>> soup.body.contents  #获取body的儿子结点
 6 ['\n', 
class="title">The demo python introduces several python courses.
, '\n', <p 
 7 
 8 class="course">Python is a wonderful general-purpose programming language. You can learn Python from novice to 
 9 
10 professional by tracking the following courses:class="py1" href="http://www.icourse163.org/course/BIT-268001" 
11 
12 id="link1">Basic Python and class="py2" href="http://www.icourse163.org/course/BIT-1001870001" 
13 
14 id="link2">Advanced Python.
, '\n']
15 >>> 
16 >>> len(soup.body.contents)  #获取儿子结点的个数
17 5
18 >>> 

4. 标签树的上行遍历

5. 标签树的平行遍历

 平行遍历发生在同一个父节点下的各节点间。

6. find_all()方法

soup内容如下：

1、查找soup中所有的a标签：

2、同时查找soup中所有的a标签和b标签

3、recursive参数对子孙全部检索

 4、正则表示式查找 b 开头的标签

4、用name和attrs两个参数查找含有指定字符串的标签

 5、string参数检索指定字符串