python爬虫 BeautifulSoup

简单来说，Beautiful Soup是python的一个库，最主要的功能是从网页抓取数据。

Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。

Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种:Tag，NavigableString  BeautifulSoup   Comment  

1.Tag 是什么？通俗点讲就是 HTML 中的一个个标签

　　利用 soup加标签名轻松地获取这些标签的内容，是不是感觉比正则表达式方便多了？soup.title 得到的是title标签，soup.p 得到的是文档中的第一个p标签，要想得到所有标签，得用find_all函数。find_all 函数返回的是一个序列，可以对它进行循环，依次得到想到的东西.。

　　对于 Tag，它有两个重要的属性，是 name 和 attrs

2.NavigableString

　　既然我们已经得到了标签的内容，那么问题来了，我们要想获取标签内部的文字怎么办呢？很简单，用 .string 即可

3.BeautifulSoup

　　BeautifulSoup 对象表示的是一个文档的全部内容.大部分时候,可以把它当作 Tag 对象，是一个特殊的 Tag

4. Comment  

　　Comment 对象是一个特殊类型的 NavigableString 对象，其实输出的内容仍然不包括注释符号

5.遍历文档树

  直接子节点：

　　.contents

　　tag 的 .content 属性可以将tag的子节点以列表的方式输出。可以使用 [num] 的形式获得。使用contents向后遍历树，使用parent向前遍历树

　　.children

　　它返回的不是一个 list，不过我们可以通过遍历获取所有子节点。我们打印输出 .children 看一下，可以发现它是一个 list 生成器对象。

　　可以使用list可以将其转化为列表。当然可以使用for 语句遍历里面的孩子。

  所有子孙节点：

6.搜索文档树

     最常用的是find_all()函数

7.CSS选择器

    在写 CSS 时，标签名不加任何修饰，类名前加点，id名前加 #

　在这里我们也可以利用类似的方法来筛选元素，用到的方法是 soup.select()，返回类型是 list

　　　　1.通过标签名查找

　　　　2.通过类名查找

　　　　3.通过id查找

　　　　4.组合查找

　　　　5.属性查找

 

参考：http://blog.csdn.net/freeking101/article/details/60886125