python_轻量级爬虫开发3

采用beautiful插件

创建BeautifulSoup对象

from bs4 import BeautifulSoup

#根据HTML网页字符串创建BeautifulSoup对象
soup = BeautifulSoup(
                    html_doc,       #HTML文档字符串
                    'html.parser',  #HTML解析器
                    from_encoding='utf8'   #HTML文档的编码
)

搜索节点(find_all,find)

#方法：find_all(name,attrs,string)

#查找所有标签为a的节点
soup.find_all('a')

#查找所有标签为a，链接符合/pic/123.html形式的节点
soup.find_all('a',href='/view/123.htm')
soup.find_all('a',href=re.compile(r'/view/\d+\.htm'))  //该方法支持正则表达式

#查找所有标签为div,class为abc，文字为Python的节点
soup.find_all('div',class_='abc',string='Python')

访问节点信息

#得到节点:<a href='1.html'>Python</a>

#获取查找到的节点的标签名称
node.name

#获取查找到的a节点的href属性
node['href']

#获取查找到的a节点的链接文字
node.get_text()