Python爬虫自学之第（②）篇——BeautifulSoup解析网页

题外话：

《Pi Network 免费挖矿国外热门项目一个π币大约值3元到10元》相信过去BTC的人，信不信未来的PI，了解一下，唯一一个高度与之持平的项目

学了requests，了解了伪装技巧后，终于能爬到些比较正常的网页源码（html文档）了，但这离结果还差最后和是最重要的一步——筛选。这个过程就像在泥沙中淘金一样，没有合适的筛子，你就会把有价值的漏掉了，或者做了无用功把没用的也筛了出来。
淘金者看土质，做筛子。对应到爬虫领域就是观察html，定制筛选器。

稍稍了解HTML

信息都在网页源码里，浏览器通过解析源码来加载我们所看到的东西，那我们是不是也应该学下如何看源码呢？——是的

但不要方，这不是html语法课，做爬虫的，只需了解一下html的原理和标签关系就行了，这跟认亲戚一样简单，你会看家族树的话根本不成问题。

示例html，足以解释所有节点关系。

<head><title>这些有尖括号的叫做标签（或节点）,成对存在。<head><title>是标签名，标签间可以放字符串。
标签可以拥有属性，属性在尖括号里，如title标签有名为lang的属性，属性值为"en"。
A节点被B节点包起来，A就是B的子，或B是A的父。如book和title都是是bookstore的子，但是book是bookstore的直接子（只有一层包含关系）
有同一个直接父的标签互相为兄弟，如title，author，year，price互为兄弟。

<title><author></author><year></year><price></price>
</title>

好了，准备以下代码信息，用来练习获取内容:

from bs4 import BeautifulSoup

from bs4 import BeautifulSoup
#准备代码信息，用来练习获取内容
html ='''
<html>
<head><title>The Dormouse's story</title></head>
<body>
<h1><b>123456</b></h1>
<p class="title" name="dromouse"><b>The Dormouse's story</b>aaaaa
</p>
<p class="title" name="dromouse" title='new'><b>The Dormouse's story</b>a</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>;<a href="http://example.com/tillie" class="siterr" id="link4">Tillie</a>;  <a href="http://example.com/tillie" class="siterr" id="link5">Tillie</a>;  and they lived at the bottom of a well.
</p>
<p class="story">...</p>
<ul id="ulone"><li>01</li><li>02</li><li>03</li><li>04</li><li>05</li>
</ul>
<div class='div11'><ul id="ultwo"><li>0001</li><li>0002</li><li>0003</li><li>0004</li><li>0005</li></ul>
</div>
</body>
</html>

1.得到beautifulsoup对象

soup = BeautifulSoup(html,'html.parser')  #选择解析器

2.获取内容

(1)获取标题对象

print(soup.title)

获取标题文本字符串:

print(soup.title.string)  #返回迭代器，出现换行就找不到了
print(soup.title.text)
print(soup.title.get_text())
title = soup.find('title').get_text()
print(title)

通过上下级关系获取对象

print(soup.title.parent)
print(soup.title.child)
print(soup.title.children)

（2）获取第一个p标签

print(soup.p.get_text())
print(soup.find('p').text)
#获取p的子标签们   (空行也看成了一个children)
print(soup.p.children)
for i,echo in enumerate(soup.p.children):print(i,echo)

（3）获取标签的属性

#只能找到第一个a标签
print('1',soup.a)
print('2',soup.a.name)
#应该这样写
print(soup.a.attrs)
print(soup.a.attrs['href'])
print(soup.a.attrs['id'])
print(soup.a.attrs['class'][0]) #获得的是一个列表，可以用下标查询

（4）获取多个

print(soup.find('p')) #获取一个
print(soup.find_all('p'))  #获取soup内的p标签  返回一个列表

（5）多层查询
find_all查询返回的是列表，使用下标寻找想要的内容

print(soup.find_all('ul'))
print(soup.find_all('ul')[0].find_all('li'))

(6)通过指定的属性，获取对象

print(soup.find(id='ulone'))  #单个对象
print(soup.find('ul',id='ulone'))
print(soup.find_all('ul',id='ulone'))   #可以使用下标查询

class是关键字要这么写class_

print('class1',soup.find_all('p',class_='title'))
print('class2',soup.find_all('p',attrs={'class':'title'})) #更通用
print('class3',soup.find_all('p',attrs={'class':'title','title':'new'})) #多条件

用函数作为参数，获取元素

def judgeTilte1(t):if t=='title':return True
print(soup.find_all(class_=judgeTilte1))

判断长度

import re  #正则表达式
reg = re.compile("sis")
def judgeTilte2(t):#返回长度为6，且包含'sis'的t参数return len(str(t))==6 and bool(re.search(reg,t))
print(soup.find_all(class_=judgeTilte2))

#获取文本内容

# <p class="title" name="dromouse">
#     <b>The Dormouse's story</b>
#     aaaaa
# </p>
print(soup.find('p').text)
print(soup.find('p').string)  #返回迭代器，出现换行就找不到了<b>，
print(soup.find('p').get_text())

获取可以加limit的，限制访问个数

print(soup.find_all('a',limit=2))

recursive = True 寻找子孙；recursive = False只找子

print(soup.find_all('body')[0].find_all('ul',recursive = False))