python爬虫之BeautifulSoup
爬虫有时候写正则表达式会有假死现象就是正则表达式一直在进行死循环查找
例如：https://social.msdn.microsoft.com/forums/azure/en-us/3f4390ac-11eb-4d67-b946-a73ffb51e4f3/netcpu100
所以一般在解析网页的时候可以用BeautifulSoup库来解决网页的正则表达式
网上对于BeautifulSoup的解释太复杂了
我就只是选取了我爬虫需要的部分来学习，其他的有需要再去学习，没需要就不浪费时间
最起码省心了很多
解释在注释里面都有了
一句一句的打印出来看就会明白的
1 #!/usr/bin/python3.4
2 # -*- coding: utf-8 -*-
3 import urllib.request
4 from bs4 import BeautifulSoup
5
6 if __name__ == '__main__':
7 url = "http://www.lenggirl.com/"
8 headers = {
9 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11',
10 'Accept': 'text/html;q=0.9,*/*;q=0.8',
11 'Accept-Charset': 'ISO-8859-1,utf-8;q=0.7,*;q=0.3',
12 'Accept-Encoding': 'gzip',
13 'Connection': 'close',
14 'Referer': None
15 }
16 data = urllib.request.urlopen(url).read()
17 # ('UTF-8')('unicode_escape')('gbk','ignore')
18 data = data.decode('UTF-8', 'ignore')
19 # 初始化网页
20 soup = BeautifulSoup(data, "html.parser")
21 # 打印整个网页
22 html = soup.prettify()
23 # 打印<head>...</head>
24 head = soup.head
25 # 打印<body>...</body>
26 body = soup.body
27 # 打印第一个<p>...</p>
28 p = soup.p
29 # 打印p的内容
30 p_string = soup.p.string
31 # soup.p.contents为Aug 22, 2016
32 # soup.p.contents为[' Aug 22, 2016\n ']
33 p_string = soup.p.contents
34 # 将body里面的所有头打印出来
35 for child in soup.body.children:
36 #print(child)
37 pass
38 # 将所有的<a>...</a>和<p>...</p>打印出来
39 a_and_p = soup.find_all(["a","p"])
40 # 找到<a>...</a>下所有的网址
41 for myimg in soup.find_all('a'):
42 img_src = myimg.get('href')
43 #print(img_src)
44 # 找到<a>...</a>下类为class_='a'下面的<img>...</img>里面的src
45 for myimg in soup.find_all('a', class_='a'):
46 img_src = myimg.find('img').get('src')
47 # 网页所有信息
48 #print(html)
页:
[1]