- ubuntu12.04环境下使用kvm ioctl接口实现最简单的虚拟机
- Ubuntu 通过无线网络安装Ubuntu Server启动系统后连接无线网络的方法
- 在Ubuntu上搭建网桥的方法
- ubuntu 虚拟机上网方式及相关配置详解
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:
1
2
3
4
5
6
|
<
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:
1
2
3
4
5
6
7
8
9
10
|
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:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
|
# <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:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
|
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.
1
2
3
4
5
6
|
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:
1
2
|
#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:
1
2
3
|
#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! 。
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
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,
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
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
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
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
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("
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
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
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
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
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)
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
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
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
list1= [u'%app%%General%%Council%', u'%people%', u'%people%%Regional%%Council%%Mandate%', u'%ppp%%Ge
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
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
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
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
我是一名优秀的程序员,十分优秀!