重庆大学语言文字网,去厦门旅游要多少钱,施寅寅
博主使用的是Mac系统，直接通过命令安装库：
sudo easy_install beautifulsoup4
安装完成后，尝试包含库运行：
from bs4 import BeautifulSoup
若没有报错，则说明库已正常安装完成。
开始
本文会通过这个网页http://reeoo.com来进行示例讲解，如下图所示
也可以通过文件句柄来初始化，可先将HTML的源码保存到本地同级目录 reo.html，然后将文件名作为参数：
soup = BeautifulSoup(open('reo.html'))
可以打印 soup，输出内容和HTML文本无二致，此时它为一个复杂的树形结构，每个节点都是Python对象。
Ps. 接下来示例代码中所用到的 soup 都为该soup。
Tag
Tag对象与HTML原生文档中的标签相同，可以直接通过对应名字获取
tag = soup.titleprint tag
打印结果：
Reeoo - web design inspiration and website gallery
Name
通过Tag对象的name属性，可以获取到标签的名称
print tag.name# title
tag中的字符串
通过 string 方法获取标签中包含的字符串
tag = soup.titles = tag.stringprint s# Reeoo - web design inspiration and website gallery
文档树的遍历
如下图：
我们希望获取到 article 标签中的 li
tag = soup.article.div.ul.liprint tag
打印结果：
也可以把中间的一些节点省略，结果也一致
tag = soup.article.li
通过 . 属性只能获取到第一个tag，若想获取到所有的 li 标签，可以通过 find_all() 方法
ls = soup.article.div.ul.find_all('li')
获取到的是包含所有li标签的列表。
tag的 .contents 属性可以将tag的子节点以列表的方式输出:
tag = soup.article.div.ulcontents = tag.contents
打印 contents 可以看到列表中不仅包含了 li 标签内容，还包括了换行符 ' '
过tag的 .children 生成器,可以对tag的子节点进行循环
tag = soup.article.div.ulchildren = tag.childrenprint childrenfor child in children: print child
文档树的搜索
对树形结构的文档进行特定的搜索是爬虫抓取过程中最常用的操作。
find_all()
find_all(name , attrs , recursive , string , ** kwargs)
name 参数
查找所有名字为 name 的tag
指定名字的属性参数值可以包括：字符串、正则表达式、列表、True/False。
True/False
是否存在指定的属性。
搜索所有带有 target 属性的标签
soup.find_all(target=True)
搜索所有不带 target 属性的标签（仔细观察会发现，搜索结果还是会有带 target 的标签，那是不带 target 标签的子标签，这里需要注意一下。）
soup.find_all(target=False)
可以指定多个参数作为过滤条件，例如页面缩略图部分的标签如下所示：
...
...
搜索 src 属性中包含 reeoo 字符串，并且 class 为 lazy 的标签：
soup.find_all(src=re.compile("reeoo.com"), class_='lazy')
搜索结果即为所有的缩略图 img 标签。
打印搜索结果可看到包含3个元素，分别是对应标签里的内容，具体见下图所示
limit 参数
find_all() 返回的是整个文档的搜索结果，如果文档内容较多则搜索过程耗时过长，加上 limit 限制，当结果到达 limit 值时停止搜索并返回结果。
搜索 class 为 thumb 的 div 标签，只搜索3个
soup.find_all('div', class_='thumb', limit=3)
打印结果为一个包含3个元素的列表，实际满足结果的标签在文档里不止3个。
recursive 参数
find_all() 会检索当前tag的所有子孙节点,如果只想搜索tag的直接子节点,可以使用参数 recursive=False。
CSS选择器
Tag 或 BeautifulSoup 对象通过 select() 方法中传入字符串参数, 即可使用CSS选择器的语法找到tag。
语义和CSS一致，搜索 article 标签下的 ul 标签中的 li 标签
print soup.select('article ul li')
通过类名查找，两行代码的结果一致，搜索 class 为 thumb 的标签
soup.select('.thumb')soup.select('[class~=thumb]')
通过id查找，搜索 id 为 sponsor 的标签
soup.select('#sponsor')
通过是否存在某个属性来查找，搜索具有 id 属性的 li 标签
soup.select('li[id]')
通过属性的值来查找查找，搜索 id 为 sponsor 的 li 标签
soup.select('li[id="sponsor"]')
其他
其他的搜索方法还有：
find_parents() 和 find_parent()
find_next_siblings() 和 find_next_sibling()
find_previous_siblings() 和 find_previous_sibling()
…
参数的作用和 find_all()、find() 差别不大，这里就不再列举使用方式了。这两个方法基本已经能满足绝大部分的查询需求。
还有一些方法涉及文档树的修改。对于爬虫来说大部分工作只是检索页面的信息，很少需要对页面源码做改动，所以这部分的内容也不再列举。
进群：125240963 即可获取数十套PDF哦！
如对本文有疑问，请在下面进行留言讨论，广大热心网友会与你互动！！ 点击进行留言回复
python求numpy中array按列非零元素的平均值案例
我要评论
网友评论