序言

　　之前用python爬取网页的时候，一直用的是regex或者自带的库sgmllib里的SGMLParser。但是遇到复杂一点的情况时，SGMLParser往往就不那么给力了！（哈，难道说我 too native了？毕竟beautifulSoup是继承sgmlparser的么~）所以，我寻寻觅觅寻寻觅觅，发现了BeautifulSoup这么个玩意。BeautifulSoup提供了很人性化的parser tree，有了它，我们可以简单的抽取出tagname, attrs, text等等等等...

　　install什么的，看这里 -> http://www.crummy.com/software/BeautifulSoup/

入门

（ps:其实入门什么的看官方文档是最好的了，这里只是记录一下简单的用法。）

（official document link : http://www.crummy.com/software/BeautifulSoup/bs3/documentation.zh.html）

　　首先先介绍实际工作中最常用的几个方法：

　　举例的html代码（就用官方例子好了）:

 1 <html>

 2     <head>

 3         <title>Page title</title>

 4     </head>

 5     <body>

 6         <p id="firstpara" align="center">

 7         This is paragraph<b>one</b>.

 8         </p>

 9         <p id="secondpara" align="blah">

10         This is paragraph<b>two</b>.

11         </p>

12      </body>

13 </html>

0、初始化：

1 soup = BeautifulSoup(html) # html为html源代码字符串，type(html) == str

1、用tag获取相应代码块的剖析树：

　　既然要分析html，首先要找到对我们有用的tag块，beautiful提供了非常便利的方式。

#当用tag作为搜索条件时，我们获取的包含这个tag块的剖析树：

#<tag><xxx>ooo</xxx></tag>

#这里获取head这个块

head = soup.find('head')

# or

# head = soup.head

# or

# head = soup.contents[0].contents[0]

运行后，我们会得到：

1 <head>

2     <title>Page title</title>

3 </head>

　　这里小灯我还是推荐使用第二种方法，find方法在当前tag剖析树（当前这个html代码块中）寻找符合条件的子树并返回。find方法提供多种查询方式，包括用喜闻乐见的regex哦~之后会详细介绍。

　　contents属性是一个列表，里面保存了该剖析树的直接儿子。

如：

1 html = soup.contents[0] # <html> ... </html>

2 head = html.contents[0] # <head> ... </head>

3 body = html.contents[1] # <body> ... </body>

2、用contents[], parent, nextSibling, previousSibling寻找父子兄弟tag

　　为了更加方便灵活的分析html代码块，beautifulSoup提供了几个简单的方法直接获取当前tag块的父子兄弟。

假设我们已经获得了body这个tag块，我们想要寻找<html>, <head>, 第一个<p>, 第二个<p>这四个tag块：

# body = soup.bodyhtml = body.parent # html是body的父亲
head = body.previousSibling # head和body在同一层，是body的前一个兄弟
p1 = body.contents[0] # p1, p2都是body的儿子，我们用contents[0]取得p1

p2 = p1.nextSibling # p2与p1在同一层，是p1的后一个兄弟, 当然body.content[1]也可得到

print p1.text

# u'This is paragraphone.'

print p2.text

# u'This is paragraphtwo.'

#  注意：1，每个tag的text包括了它以及它子孙的text。2，所有text已经被自动转

#为unicode，如果需要，可以自行转码encode(xxx)

　　然而，如果我们要寻找祖先或者孙子tag怎么办呢？？ 用while循环吗？ 不， beautifulsoup已经提供了方法。

3、用find, findParent, findNextSibling, findPreviousSibling寻找祖先或者子孙 tag：

　　有了上面的基础，这里应该很好理解了，例如find方法（我理解和findChild是一样的），就是以当前节点为起始，遍历整个子树，找到后返回。

　　而这些方法的复数形式，会找到所有符合要求的tag，以list的方式放回。他们的对应关系是：find->findall, findParent->findParents, findNextSibling->findNextSiblings...

　　如：

1 print soup.findAll('p')

2 # [<p id="firstpara" align="center">This is paragraph <b>one</b>.</p>, <p id="secondpara" align="blah">This is paragraph <b>two</b>.</p>]

　　

　　这里我们重点讲一下find的几种用法，其他的类比：

　　find(name=None, attrs={}, recursive=True, text=None, **kwargs)

（ps:只讲几种用法，完整请看官方link : http://www.crummy.com/software/BeautifulSoup/bs3/documentation.zh.html#The%20basic%20find%20method:%20findAll%28name,%20attrs,%20recursive,%20text,%20limit,%20**kwargs%29）

　　1) 搜索tag：

1 find(tagname)        # 直接搜索名为tagname的tag 如：find('head')

2 find(list)           # 搜索在list中的tag，如: find(['head', 'body'])

3 find(dict)           # 搜索在dict中的tag，如:find({'head':True, 'body':True})

4 find(re.compile('')) # 搜索符合正则的tag, 如:find(re.compile('^p')) 搜索以p开头的tag

5 find(lambda)         # 搜索函数返回结果为true的tag, 如:find(lambda name: if len(name) == 1) 搜索长度为1的tag

6 find(True)           # 搜索所有tag

　　2) 搜索属性(attrs)：

1 find(id='xxx')                                  # 寻找id属性为xxx的

2 find(attrs={id=re.compile('xxx'), algin='xxx'}) # 寻找id属性符合正则且algin属性为xxx的

3 find(attrs={id=True, algin=None})               # 寻找有id属性但是没有algin属性的

　　3) 搜索文字（text）:

注意，文字的搜索会导致其他搜索给的值如：tag, attrs都失效。

方法与搜索tag一致

　　4) recursive, limit:

　　recursive=False表示只搜索直接儿子，否则搜索整个子树，默认为True。

　　当使用findAll或者类似返回list的方法时，limit属性用于限制返回的数量，如findAll('p', limit=2)： 返回首先找到的两个tag

*4、用next，previous寻找上下文tag（少用）

　　这里我们主要看看next, next是取得当前的tag的下一个（按代码从上到下的顺序）tag块。这与contents是不一样的，千万别混淆了哦^ ^

　　我们举个栗子来看看

1 <a>

2     a

3     <b>b</b>

4     <c>c</c>

5 </a>

我们看看next的实际效果：

1 a = soup.a

2 b = soup.b

3 n1 = b.next

4 n2 = n1.next

输出一下：

1 print a.next

2 # u'a'

3 print n1

4 # u'b'

5 print n2

6 # <c>c</c>

所以，next仅仅是获取文档上的“下一个”的tag，和剖析树中的位置无关。

当然也有findNext和findAllNext方法。

至于previous， 表示上一个tag块，就类比一下吧~^ ^

=======

待续

用python的BeautifulSoup分析html的更多相关文章

  1. 用python的BeautifulSoup分析html 【转】

    原地址:http://www.cnblogs.com/twinsclover/archive/2012/04/26/2471704.html 序言 之前用python爬取网页的时候,一直用的是rege ...

  2. python爬虫之分析Ajax请求抓取抓取今日头条街拍美图（七）

    python爬虫之分析Ajax请求抓取抓取今日头条街拍美图 一.分析网站 1.进入浏览器,搜索今日头条,在搜索栏搜索街拍,然后选择图集这一栏. 2.按F12打开开发者工具,刷新网页,这时网页回弹到综合 ...

  3. Ubuntu下一个python的BeautifulSoup和rsa安装方法---信息检索project2部分：微博爬行要求python包裹

    后果<信息检索>第二project,微博具有抓取数据,再处理.师兄给了代码.让慢慢爬.可是在ubuntu下.少了非常多python软件包.须要安装. 1.首先执行时.说少了python.B ...

  4. 搭建基于python +opencv+Beautifulsoup+Neurolab机器学习平台

    搭建基于python +opencv+Beautifulsoup+Neurolab机器学习平台 By 子敬叔叔 最近在学习麦好的<机器学习实践指南案例应用解析第二版>,在安装学习环境的时候 ...

  5. Python配合BeautifulSoup读取网络图片并保存在本地

    本例为Python配合BeautifulSoup读取网络图片,并保存在本地. BeautifulSoup可代替正则表达式,更好地解析Html文本,获取其中的指定内容,如Tag.Property等 # ...

  6. Python文章相关性分析---金庸武侠小说分析

    百度到<金庸小说全集 14部>全(TXT)作者:金庸 下载下来,然后读取内容with open('names.txt') as f: data = [line.strip() for li ...

  7. [python]Python代码安全分析工具(Bandit)

    简介: Bandit是一款Python源码分析框架,可用于Python代码的安全性分析.Bandit使用标准库中的ast模块,将Python源码解析成Python语法节点构成的树.Bandit允许用户 ...

  8. 用python探索和分析网络数据

    Edited by Markdown Refered from: John Ladd, Jessica Otis, Christopher N. Warren, and Scott Weingart, ...

  9. python scrapy,beautifulsoup,regex,sgmparser,request,connection

    In [2]: import requests   In [3]: s = requests.Session()   In [4]: s.headers 如果你是爬虫相关的业务?抓取的网站还各种各样, ...

随机推荐

  1. angularJS进阶阶段(4)

    angularJS进阶阶段(4) 编译器/$compile 编译器$compile是一个AngularJS的内置服务,它负责遍历DOM树来查找匹配指令, 并调用指令的实现代码进行处理. HTML编译包 ...

  2. 【系统篇】Archlinux系统安装

    本教程为最新安装Linux的教程,想看更详细可以到我B站主页看视频教程 ArchLinux安装配置手册[系统篇] 本教程参考自 https://wiki.archlinux.org/index.php ...

  3. Flutter Widgets 之 ListWheelScrollView

    注意:无特殊说明,Flutter版本及Dart版本如下: Flutter版本: 1.12.13+hotfix.5 Dart版本: 2.7.0 基础用法 在展示大量数据的时候我们第一会想到使用ListV ...

  4. Django报Warning错误 RuntimeWarning: DateTimeField Goods.create_at received a naive datetime (2019-07-31 23:05:58) while time zone support is active

    报错和UTC(世界标准时间)有关,在settings.py 文件中设置 USE_TZ = False 警告错误不再报

  5. JS基础入门篇（三十五）—面向对象（二）

    如果没有面向对象这种抽象概念的小伙伴,建议先看一下我写的JS基础入门篇(三十四)-面向对象(一)

  6. .NET微服务从0到1：服务注册与发现（Consul）

    目录 Consul搭建 基于Docker搭建Consul 基于Windows搭建Consul ServiceA集成Consul做服务注册 Ocelot集成Consul做服务发现 更多参考 Consul ...

  7. Python基础-两个乒乓球队进行比赛，各出三人。

    两个乒乓球队进行比赛,各出三人.甲队为a,b,c三人,乙队为x,y,z三人.已抽签决定比赛名单.有人向队员打听比赛的名单.a说他不和x比,c说他不和x,z比,请编程序找出三队赛手的名单. L1 = [ ...

  8. intel硬件视频加速介绍

    目录 硬件视频加速技术 intel 硬件加速技术 intel 的开源媒体栈 VA-API 安装 样例 Intel Quick Sync(QSV) API支持情况 vaapi/mfx比较 安装 样例 硬 ...

  9. python http代理支持 https

    首先需要2个软件来抓包. fiddler : http 代理软件可以分析,抓包,重放. wireshark : 全能抓包分析软件. RFC 提供了非常好的设计描述. https://tools.iet ...

  10. scrapy-redis分布式爬取知乎问答，使用docker布置多台机器。

    先上结果: 问题: 答案: 可以看到现在答案文档有十万多,十万个为什么~hh 正文开始: 分布式爬虫应该是在多台服务器(A B C服务器)布置爬虫环境,让它们重复交叉爬取,这样的话需要用到状态管理器. ...