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)
# 引入BeautifulSoup库
>>>> from bs4 import BeatifulSoup # 根据HTML网页字符串结构创建BeatifulSoup对象。 >>>> soup = BeautifulSoup(html_doc, #HTML文档字符串 'html.parser', #HTML解析器 from_encoding = 'utf-8' #HTML文档编码 )
(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<a>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:<a href = '/view/123.html' class = 'doc_link'> I love Python <a>
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
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> """ # 获取所有a标签节点内容 links = BeautifulSoup('a') #查找已经获取a标签节点中所有连接 for link in links: pirnt(link.name,link['href'],link.get_text())