爬虫学习——网页解析器Beautiful Soup

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