python自带网页解析器_python 之网页解析器
一、什么是网页解析器
1、网页解析器名词解释
首先让我们来了解下,什么是网页解析器,简单的说就是用来解析html网页的工具,准确的说:它是一个HTML网页信息提取工具,就是从html网页中解析提取出“我们需要的有价值的数据”或者“新的URL链接”的工具。
2、网页解析图解
二、python 网页解析器
1、常见的python网页
常见的python网页解析工具有:re正则匹配、python自带的html.parser模块、第三方库BeautifulSoup(重点学习)以及lxm库。
2、常见网页解析器分类
以上四种网页解析器,是两种不同类型的解析器:
(1)模糊匹配
re正则表达式即为字符串式的模糊匹配模式;
(2)结构化解析
BeatufiulSoup、html.parser与lxml为“结构化解析”模式,他们都以DOM树结构为标准,进行标签结构信息的提取。()
(3)结构化解析
我们在了解什么是结构化解析之前,需要先了解下什么是DOM树这个概念。
DOM树解释:即文档对象模型(Document Object Model),其树形标签结构,请见下图。
而所谓结构化解析,就是网页解析器它会将下载的整个HTML文档当成一个Doucment对象,然后在利用其上下结构的标签形式,对这个对象进行上下级的标签进行遍历和信息提取操作。
三、BeautifulSoup第三方库
1、beautifulsoup4 简介
Beautiful Soup是一个可以从HTML或XML文件中提取数据的Python第三方库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间.
2、beautifulsoup4 安装
(1)安装方法
我直接启动cmd命令行运行环境,使用pip管理工具进行安装,安装命令如下。
$ pip install beautifulsoup4
(2)安装测试
安装完成后,我直接启动IDLE环境,引入bs4测试其是否安装成功。>>>> from bs4 import BeautifulSoup
>>>> import bs4
>>>> print bs4
3、BeautifulSoup 语法
BeautifulSoup使用的一般流程就三步走:
(1) 创建BeautifulSoup对象
(2) 使用BeautifulSoup对象的操作方法find_all 与 find进行解读搜索。
如:>>>> soup.find_all('a')
>>>> soup.find(‘a’)
(3) 利用DOM结构标签特性,进行更为详细的节点信息提取。
4、使用方法(学习重点)
(1)第一步:创建BeautifulSoup对象(即DOM对象)
(2)第二步:搜索节点(find_all,find)
搜索节点方法:soup.find_all()---查找所有符合查询条件的标签节点,并返回一个列表。
soup.find()--- 查找符合符合查询条件的第一个标签节点。
实例1:搜索所有标签>>>> soup.find_all('a')
实例2:查找所有标签符合标签名为a,链接符合 /view/123.html的节点
1)实现方法1:>>>> soup.find_all('a', href ='/view/123.html')
2)实现方法2:>>>> soup.find_all('a', href = re.compile(r'/view/\d+\.html'))
实例3:查找所有标签为名为a,class属性为abc,文字为python的节点>>>> soup.findall('a', class_='abc',string='python')
(3)第三步:访问节点信息
比如我们得到节点:I love Python
1) 获取节点名称>>>>node.name
2)获取查找到的a节点的href属性>>>> node['href'] 或者
>>>> node.get('href')
3)获取查找到的a节点的字符串内容>>>> node.get_text()
5、BeautifulSoup 信息提取实例
(转自http://www.cnblogs.com/my1e3/p/6622306.html)
python自带网页解析器_python 之网页解析器相关推荐
- python的网页解析器_python 之网页解析器
一.什么是网页解析器 1.网页解析器名词解释 首先让我们来了解下,什么是网页解析器,简单的说就是用来解析html网页的工具,准确的说:它是一个HTML网页信息提取工具,就是从html网页中解析提取出& ...
- python提取网页表格信息_python 提取网页表格数据库数据库
python开源工具列表[持续更新] 以下是个人在工作中整理的一些python wheel,供参考.这个列表包含与网页抓取和数据处理的Python库 网络 通用urllib -网络库(stdlib). ...
- python读取网页表格数据库_python 提取网页表格数据库数据库
python开源工具列表[持续更新] 以下是个人在工作中整理的一些python wheel,供参考.这个列表包含与网页抓取和数据处理的Python库 网络 通用urllib -网络库(stdlib). ...
- python解析库_Python命令行解析库argparse
原博文 2014-08-13 05:48 − 2.7之后python不再对optparse模块进行扩展,python标准库推荐使用argparse模块对命令行进行解析. 1.example 有一道面试 ...
- idle不是python自带的开发工具_Python的开发工具
通常情况下,为了提高开发效率,需要使用相应的开发工具.进行Python开发也可以使用开发工具.下面将详细介绍Python自带的IDLE 一使用自带的IDLE 在安装Python后,会自动安装一个IDL ...
- python高级语法装饰器_Python高级编程——装饰器Decorator超详细讲解上
Python高级编程--装饰器Decorator超详细讲解(上篇) 送你小心心记得关注我哦!! 进入正文 全文摘要 装饰器decorator,是python语言的重要特性,我们平时都会遇到,无论是面向 ...
- python 打开网页开发者工具_Python获取网页指定内容(BeautifulSoup工具的使用方法)...
page = urllib2.urlopen(url) contents = page.read() #获得了整个网页的内容也就是源代码 print(contents) url代表网址,content ...
- python什么是装饰器_python学习之装饰器是什么?
学完python函数,接下来我们跟着猿人学python一起来看看什么是装饰器. 大家应该多多少少在其它地方有看过或是听过"装饰器"这个词.装饰器,顾名思义,就是用来装饰的,它装饰的 ...
- python爬取动态页面图片_python动态网页爬取:爬取pexel上的图片
前言 同样的,我们在写一个爬虫前要明确自己想要爬取的东西是什么,明确下载目标数据在浏览器的操作如何 对于动态网页的爬取,在网页地址不变的情况下,我们首先要明确如何获取AJAX请求 首先我们看看这个网站 ...
最新文章
- 【优达学城测评】求T-test值,P-value值
- vue打包路径.html问题,如何解决vue.js打包报错问题
- 「第四篇」电赛控制题可以准备一些什么?
- 机器学习多元线性回归_过度简化的机器学习(1):多元回归
- Qt在线/离线安装包下载网址和说明
- MyReport:DataGrid的打印和打印预览
- World of Warcraft .M2模型重建
- Python读取 csv文件中文乱码处理
- 【OpenCV4 官方文档】机器学习概述
- w3cschool php下载_w3cschool下载_W3Cschool v2.0离线版
- 《大学之路》读书笔记(上)范文3700字
- 痞子衡嵌入式:超级下载算法RT-UFL v1.0在Segger Ozone下的使用
- SSM开发书评网25:写短评;
- 分布式数据库设计——分布式数据库的基础概念
- 蘑菇街2016校园招聘第一个编程题
- ip_rcv_finish
- PbootCMS微信小程序API的封装使用教程
- Part-Ⅰ3. 稳态等效电路建模/损耗/效率(三)
- 程序猿,你的安全感呢?
- spring 常见面试题
热门文章
- apache+mysql+php的环境配置
- cjson源代码解读 (一)介绍
- MVC添加控制器时提示无法检索“MyContosoUniversity.Models.Student”的元数据
- IE下打开ClearType后透明字体问题解决
- LRU最少最近使用缓存策略
- 谈谈一些有趣的CSS题目(十三)-- 巧妙地制作背景色渐变动画!
- Azure Devops/Tfs 编译的时候自动修改版本号
- CodeForces 230A
- Android网络通信的六种方式
- 【jQuery笔记Part3】02-jQuery抖动效果