BeautifulSoup

BeautifulSoup 提取某个tag标签里面的内容

用的版本是BeautifulSoup4，用起来的确要比 re 好用一些，不用一个个的去写正则表达式，这样还是挺方便的。

比如我要获取高匿代理IP页面上的IP和端口，网址这里：点击打开链接，它的组织方式是这样的，如下图：

image

IP和端口 tr.td 标签里面，tr有class属性，属性有两种情况的值，对于这点我们可以用正则表达式来匹配下。当提取某一个标签里的具体内容时，可以用bs的 .string属性，注意：用 .string 属性来提取标签里的内容时，该标签应该是只有单个节点的。比如上面的 td 标签那样。下面直接上代码了。

import requests  
from bs4 import BeautifulSoup  
import re  
import os.path  
  
user_agent = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_5)'  
headers = {'User-Agent': user_agent}  
  
session = requests.session()  
page = session.get("http://www.xicidaili.com/nn/1", headers=headers)  
soup = BeautifulSoup(page.text,'lxml')  #这里没有装lxml的话,把它去掉用默认的就好  
  
#匹配带有class属性的tr标签  
taglist = soup.find_all('tr', attrs={'class': re.compile("(odd)|()")})  
for trtag in taglist:  
    tdlist = trtag.find_all('td')  #在每个tr标签下,查找所有的td标签  
    print tdlist[1].string   #这里提取IP值  
    print tdlist[2].string   #这里提取端口值