Python使用Beautiful Soup包编写爬虫时的一些关键点-6ren

Python使用Beautiful Soup包编写爬虫时的一些关键点

转载作者：qq735679552 更新时间：2022-09-29 22:32:09

CFSDN坚持开源创造价值，我们致力于搭建一个资源共享平台，让每一个IT人在这里找到属于你的精彩世界.

这篇CFSDN的博客文章Python使用Beautiful Soup包编写爬虫时的一些关键点由作者收集整理，如果你对这篇文章有兴趣，记得点赞哟.

1.善于利用soup节点的parent属性。

比如对于已经得到了如下html代码:

 
    ? 
   
 
     
       
       
         < 
         td 
         style 
         = 
         "padding-left:0" 
         width 
         = 
         "60%" 
         >< 
         label 
         >November</ 
         label 
         > 
        
 
         < 
         input 
         type 
         = 
         "Hidden" 
         id 
         = 
         "cboMonth1" 
         name 
         = 
         "cboMonth1" 
         value 
         = 
         "11" 
         > 
        
 
         </ 
         td 
         >< 
         td 
         style 
         = 
         "padding-right:0;" 
         width 
         = 
         "40%" 
         > 
        
 
            
         < 
         label 
         >2012</ 
         label 
         > 
        
 
            
         < 
         input 
         type 
         = 
         "Hidden" 
         id 
         = 
         "cboYear1" 
         name 
         = 
         "cboYear1" 
         value 
         = 
         "2012" 
         > 
        
 
         </ 
         td 
         > 
        
 
     
 
   

的soup变量eachMonthHeader了.

想要提取其中的。

Month的label的值：November 。

和Year的label的值：2012 。

最简单，也是最省事的办法是，直接搜两个label，然后肯定会找到这两个label，然后分别对应着Month和Year的label，然后获得对应的string即可:

 
    ? 
   
         foundTwoLabel  
         = 
         eachMonthHeader.findAll( 
         "label" 
         ); 
        
         print 
         "foundTwoLabel=" 
         ,foundTwoLabel; 
        
         monthLabel  
         = 
         foundTwoLabel[ 
         0 
         ]; 
        
         yearLabel  
         = 
         foundTwoLabel[ 
         1 
         ]; 
        
         monthStr  
         = 
         monthLabel.string; 
        
         yearStr  
         = 
         yearLabel.string; 
        
         print 
         "monthStr=" 
         ,monthStr;  
         # monthStr= November 
        
         print 
         "yearStr=" 
         ,yearStr;  
         # yearStr= 2012

但是很明显，这样的逻辑性很不好，而且万一处理多个这样的soup变量，而且两者的顺便颠倒了，那么结果也就错误了.

此时，可以考虑利用soup变量的parent属性，从一个soup变量本身，获得其上一级的soup变量。示例代码如下:

 
    ? 
   
         # <td style="padding-left:0" width="60%"><label>November</label> 
        
         # <input type="Hidden" id="cboMonth1" name="cboMonth1" value="11"> 
        
         # </td><td style="padding-right:0;" width="40%"> 
        
         # <label>2012</label> 
        
         # <input type="Hidden" id="cboYear1" name="cboYear1" value="2012"> 
        
         # </td> 
        
         foundCboMonth  
         = 
         eachMonthHeader.find( 
         "input" 
         , { 
         "id" 
         :re. 
         compile 
         ( 
         "cboMonth\d+" 
         )}); 
        
         #print "foundCboMonth=",foundCboMonth; 
        
         tdMonth  
         = 
         foundCboMonth.parent; 
        
         #print "tdMonth=",tdMonth; 
        
         tdMonthLabel  
         = 
         tdMonth.label; 
        
         #print "tdMonthLabel=",tdMonthLabel; 
        
         monthStr  
         = 
         tdMonthLabel.string; 
        
         print 
         "monthStr=" 
         ,monthStr; 
        
         foundCboYear  
         = 
         eachMonthHeader.find( 
         "input" 
         , { 
         "id" 
         :re. 
         compile 
         ( 
         "cboYear\d+" 
         )}); 
        
         #print "foundCboYear=",foundCboYear; 
        
         tdYear  
         = 
         foundCboYear.parent; 
        
         #print "tdYear=",tdYear; 
        
         tdYearLabel  
         = 
         tdYear.label; 
        
         #print "tdYearLabel=",tdYearLabel; 
        
         yearStr  
         = 
         tdYearLabel.string; 
        
         print 
         "yearStr=" 
         ,yearStr;

我们再来看一个例子:

 
    ? 
   
         from 
         BeautifulSoup  
         import 
         BeautifulSoup  
        
         doc  
         = 
         [ 
         '<html><head><title>Page title</title></head>' 
         , 
        
         '<body><p id="firstpara" align="center">This is paragraph <b>one</b>.' 
         , 
        
         '<p id="secondpara" align="blah">This is paragraph <b>two</b>.' 
         , 
        
         '</html>' 
         ] 
        
         soup  
         = 
         BeautifulSoup(''.join(doc)) 
        
         print 
         soup.prettify() 
        
         # <html> 
        
         # <head> 
        
         #  <title> 
        
         #  Page title 
        
         #  </title> 
        
         # </head> 
        
         # <body> 
        
         #  <p id="firstpara" align="center"> 
        
         #  This is paragraph 
        
         #  <b> 
        
         #   one 
        
         #  </b> 
        
         #  . 
        
         #  </p> 
        
         #  <p id="secondpara" align="blah"> 
        
         #  This is paragraph 
        
         #  <b> 
        
         #   two 
        
         #  </b> 
        
         #  . 
        
         #  </p> 
        
         # </body> 
        
         # </html>

这个例子中，<HEAD> Tag的parent是<HTML> Tag. <HTML> Tag 的parent是BeautifulSoup 剖析对象自己。剖析对象的parent是None. 利用parent，你可以向前遍历剖析树.

 
    ? 
   
         soup.head.parent.name 
        
         # u'html' 
        
         soup.head.parent.parent.__class__.__name__ 
        
         # 'BeautifulSoup' 
        
         soup.parent  
         = 
         = 
         None 
        
         # True

2.当解析非UTF-8或ASCII编码类型的HTML时，需要指定对应的字符编码。

当html为ASCII或UTF-8编码时，可以不指定html字符编码，便可正确解析html为对应的soup:

 
    ? 
   
         #这里respHtml是ASCII或UTF-8编码，此时可以不指定编码类型，即可正确解析出对应的soup 
        
         soup  
         = 
         BeautifulSoup(respHtml);

当html为其他类型编码，比如GB2312的话，则需要指定相应的字符编码，BeautifulSoup才能正确解析出对应的soup:

比如:

 
    ? 
   
         #此处respHtml是GB2312编码的，所以要指定该编码类型，BeautifulSoup才能解析出对应的soup 
        
         htmlCharset  
         = 
         "GB2312" 
         ; 
        
         soup  
         = 
         BeautifulSoup(respHtml, fromEncoding 
         = 
         htmlCharset);

最后此篇关于Python使用Beautiful Soup包编写爬虫时的一些关键点的文章就讲到这里了,如果你想了解更多关于Python使用Beautiful Soup包编写爬虫时的一些关键点的内容请搜索CFSDN的文章或继续浏览相关文章，希望大家以后支持我的博客！。

文章推荐： Python的爬虫包Beautiful Soup中用正则表达式来搜索

文章推荐：电脑老是弹出广告怎么办电脑弹出广告太多拦截方法

文章推荐： Java编程求二叉树的镜像两种方法介绍

文章推荐：电脑开机出现＂no boot device found＂错误的解决方法

python - Python 中的集群或合并集群以减少组数 (Python)
我正在处理一组标记为 160 个组的 173k 点。我想通过合并最接近的(到 9 或 10 个组)来减少组/集群的数量。我搜索过 sklearn 或类似的库，但没有成功。我猜它只是通过 knn 聚类
python - python 列表的子集基于同一列表的元素组，pythonically
我有一个扁平数字列表，这些数字逻辑上以 3 为一组，其中每个三元组是 (number, __ignored, flag[0 or 1])，例如: [7,56,1, 8,0,0, 2,0,0, 6,1,
python - 激活 Python 虚拟环境并在另一个 Python 脚本中调用 Python 脚本
我正在使用 pipenv 来管理我的包。我想编写一个 python 脚本来调用另一个使用不同虚拟环境(VE)的 python 脚本。如何运行使用 VE1 的 python 脚本 1 并调用另一个 p
python - 在焕然一新的 Python 环境中以编程方式从 Python 内部执行 Python 文件
假设我有一个文件 script.py 位于 path = "foo/bar/script.py"。我正在寻找一种在 Python 中通过函数 execute_script() 从我的主要 Python
python - 从 python 脚本但在 python 脚本之外运行 python 脚本
这听起来像是谜语或笑话，但实际上我还没有找到这个问题的答案。问题到底是什么？我想运行 2 个脚本。在第一个脚本中，我调用另一个脚本，但我希望它们继续并行，而不是在两个单独的线程中。主要是我不希望第
python - 使用不同的 python 从 python 运行 python 脚本
我有一个带有 python 2.5.5 的软件。我想发送一个命令，该命令将在 python 2.7.5 中启动一个脚本，然后继续执行该脚本。我试过用 #!python2.7.5 和http://re
python - 为什么从 Python 命令行调用 Python 时 Python 无法找到并运行我的脚本？
我在 python 命令行(使用 python 2.7)中，并尝试运行 Python 脚本。我的操作系统是 Windows 7。我已将我的目录设置为包含我所有脚本的文件夹，使用: os.chdir("
python - 使用动态版本的 Python 执行嵌入的 Python 代码时出现致命的 Python 错误
剧透:部分解决(见最后)。以下是使用 Python 嵌入的代码示例: #include int main(int argc, char** argv) { Py_SetPythonHome
python - python 中识别 python 数组或列表中最大累积差异的最快方法是什么？
假设我有以下列表，对应于及时的股票价格: prices = [1, 3, 7, 10, 9, 8, 5, 3, 6, 8, 12, 9, 6, 10, 13, 8, 4, 11] 我想确定以下总体上最
python - (Python) 通过单选按钮 python 更新背景
所以我试图在选择某个单选按钮时更改此框架的背景。我的框架位于一个类中，并且单选按钮的功能位于该类之外。 (这样我就可以在所有其他框架上调用它们。) 问题是每当我选择单选按钮时都会出现以下错误: co
python - python 中的字符串与正则表达式比较在 python 中失败
我正在尝试将字符串与 python 中的正则表达式进行比较，如下所示， #!/usr/bin/env python3 import re str1 = "Expecting property name
python - python 如何加载Boost.Python 库？
考虑以下原型(prototype) Boost.Python 模块，该模块从单独的 C++ 头文件中引入类“D”。 /* file: a/b.cpp */ BOOST_PYTHON_MODULE(c)
python - python 检查模块 python 的问题
如何编写一个程序来“识别函数调用的行号？” python 检查模块提供了定位行号的选项，但是， def di(): return inspect.currentframe().f_back.f_l
python - 系统 python 与用户 python
我已经使用 macports 安装了 Python 2.7，并且由于我的 $PATH 变量，这就是我输入 $ python 时得到的变量。然而，virtualenv 默认使用 Python 2.6，除
python - [Python] : Python re. 长字符串行的搜索速度优化
我只想问如何加快 python 上的 re.search 速度。我有一个很长的字符串行，长度为 176861(即带有一些符号的字母数字字符)，我使用此函数测试了该行以进行研究: def getExe
python - 编辑字符串 python 正则表达式 python
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
python - Python 映射中的副作用(Python "do" block )
这个问题在这里已经有了答案: Is it Pythonic to use list comprehensions for just side effects? (7 个答案) 关闭 4 个月前。告
python - 使用其值逻辑组合两个 python 列表 - Python
我想用 Python 将两个列表组合成一个列表，方法如下: a = [1,1,1,2,2,2,3,3,3,3] b= ["Sun", "is", "bright", "June","and" ,"Ju
python - Boost.Python python 链接错误
我正在运行带有最新 Boost 发行版 (1.55.0) 的 Mac OS X 10.8.4 (Darwin 12.4.0)。我正在按照说明 here构建包含在我的发行版中的教程 Boost-Pyth
python - 在 Python 中仅使用内置库制作一个基本的网络抓取工具 - Python
学习 Python，我正在尝试制作一个没有任何第 3 方库的网络抓取工具，这样过程对我来说并没有简化，而且我知道我在做什么。我浏览了一些在线资源，但所有这些都让我对某些事情感到困惑。 html 看起来

qq735679552

个人简介

我是一名优秀的程序员,十分优秀！

作者热门文章

滴滴打车优惠券免费领取

全站热门文章

首页

博学

6Ren·AI

商城

Python使用Beautiful Soup包编写爬虫时的一些关键点