美文网首页
python 之网页解析器

python 之网页解析器

作者: inna1021 | 来源:发表于2017-08-21 13:20 被阅读743次

    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:<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

    转自http://www.cnblogs.com/my1e3/p/6622306.html)

    相关文章

      网友评论

          本文标题:python 之网页解析器

          本文链接:https://www.haomeiwen.com/subject/isfqdxtx.html