先发一下官方文档地址。http://www.crummy.com/software/BeautifulSoup/bs4/doc/
建议有时间可以看一下python包的文档。
Beautiful Soup 相比其他的html解析有个非常重要的优势。html会被拆解为对象处理。全篇转化为字典和数组。
相比正则解析的爬虫，省略了学习正则的高成本。
相比xpath爬虫的解析，同样节约学习时间成本。虽然xpath已经简单点了。（爬虫框架Scrapy就是使用xpath）
安装
linux下可以执行
apt-get install python-bs4
也可以用python的安装包工具来安装
easy_install beautifulsoup4
pip install beautifulsoup4
使用简介
下面说一下BeautifulSoup 的使用。
解析html需要提取数据。其实主要有几点
1：获取指定tag的内容。
<p>hello, watsy</p><br><p>hello, beautiful soup.</p>
2：获取指定tag下的属性。
<a href="http://blog.csdn.net/watsy">watsy's blog</a>
3：如何获取，就需要用到查找方法。
html_doc = """ <html><head><title>The Dormouse's story</title></head> <body> <p class="title"><b>The Dormouse's story</b></p> <p class="story">Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>, <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; and they lived at the bottom of a well.</p> <p class="story">...</p> """
格式化输出。
from bs4 import BeautifulSoup soup = BeautifulSoup(html_doc) print(soup.prettify()) # <html> # <head> # <title> # The Dormouse's story # </title> # </head> # <body> # <p class="title"> # <b> # The Dormouse's story # </b> # </p> # <p class="story"> # Once upon a time there were three little sisters; and their names were # <a class="sister" href="http://example.com/elsie" id="link1"> # Elsie # </a> # , # <a class="sister" href="http://example.com/lacie" id="link2"> # Lacie # </a> # and # <a class="sister" href="http://example.com/tillie" id="link2"> # Tillie # </a> # ; and they lived at the bottom of a well. # </p> # <p class="story"> # ... # </p> # </body> # </html>
获取指定tag的内容
soup.title # <title>The Dormouse's story</title> soup.title.name # u'title' soup.title.string # u'The Dormouse's story' soup.title.parent.name # u'head' soup.p # <p class="title"><b>The Dormouse's story</b></p> soup.a # <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>
上面示例给出了4个方面
1：获取tag
soup.title
2：获取tag名称
soup.title.name
3：获取title tag的内容
soup.title.string
4：获取title的父节点tag的名称
soup.title.parent.name
怎么样，非常对象化的使用吧。
提取tag属性
下面要说一下如何提取href等属性。
soup.p['class']
# u'title'
获取属性。方法是
soup.tag['属性名称']
<a href="http://blog.csdn.net/watsy">watsy's blog</a>
常见的应该是如上的提取联接。
代码是
soup.a['href']
相当easy吧。
查找与判断
接下来进入重要部分。全文搜索查找提取.
soup提供find与find_all用来查找。其中find在内部是调用了find_all来实现的。因此只说下find_all
def find_all(self, name=None, attrs={}, recursive=True, text=None,
limit=None, **kwargs):
看参数。
第一个是tag的名称，第二个是属性。第3个选择递归，text是判断内容。limit是提取数量限制。**kwargs 就是字典传递了。。
举例使用。
tag名称 soup.find_all('b') # [<b>The Dormouse's story</b>] 正则参数 import re for tag in soup.find_all(re.compile("^b")): print(tag.name) # body # b for tag in soup.find_all(re.compile("t")): print(tag.name) # html # title 列表 soup.find_all(["a", "b"]) # [<b>The Dormouse's story</b>, # <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>] 函数调用 def has_class_but_no_id(tag): return tag.has_attr('class') and not tag.has_attr('id') soup.find_all(has_class_but_no_id) # [<p class="title"><b>The Dormouse's story</b></p>, # <p class="story">Once upon a time there were...</p>, # <p class="story">...</p>] tag的名称和属性查找 soup.find_all("p", "title") # [<p class="title"><b>The Dormouse's story</b></p>] tag过滤 soup.find_all("a") # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>] tag属性过滤 soup.find_all(id="link2") # [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>] text正则过滤 import re soup.find(text=re.compile("sisters")) # u'Once upon a time there were three little sisters; and their names were '
获取内容和字符串
获取tag的字符串
title_tag.string
# u'The Dormouse's story'
注意在实际使用中应该使用 unicode(title_tag.string)来转换为纯粹的string对象
使用strings属性会返回soup的构造1个迭代器，迭代tag对象下面的所有文本内容
for string in soup.strings:
print(repr(string))
# u"The Dormouse's story"
# u'
'
# u"The Dormouse's story"
# u'
'
# u'Once upon a time there were three little sisters; and their names were
'
# u'Elsie'
# u',
'
# u'Lacie'
# u' and
'
# u'Tillie'
# u';
and they lived at the bottom of a well.'
# u'
'
# u'...'
# u'
'
获取内容
.contents会以列表形式返回tag下的节点。
head_tag = soup.head head_tag # <head><title>The Dormouse's story</title></head> head_tag.contents [<title>The Dormouse's story</title>] title_tag = head_tag.contents[0] title_tag # <title>The Dormouse's story</title> title_tag.contents # [u'The Dormouse's story']
想想，应该没有什么其他的了。。其他的也可以看文档学习使用。
总结
其实使用起主要是
soup = BeatifulSoup(data)
soup.title
soup.p.['title']
divs = soup.find_all('div', content='tpc_content')
divs[0].contents[0].string