python爬虫---beautifulsoup（1）
beautifulsoup是用于对爬下来的内容进行解析的工具，其find和find_all方法都很有用。并且按照其解析完之后，会形成树状结构，对于网页形成了类似于json格式的key - value这种样子，更容易并且更方便对于网页的内容进行操作。
下载库就不用多说，使用python的pip，直接在cmd里面执行pip install beautifulsoup即可
首先仿照其文档说明，讲代码拷贝过来，如下
from bs4 import BeautifulSoup html_doc = """ <html><head><title>The Dormouse's story</title></head> <body> <p class="title"><b>The Dormouse's story</b></p> <p class="story">Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>, <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; and they lived at the bottom of a well.</p> <p class="story">...</p> """ soup = BeautifulSoup(html_doc,'html.parser') print soup.find_all('a')
html_doc即是我们爬下来的东西，这里方便直接使用了文档里面提供的内容。
我们直接对html_doc执行解析，使用的是html.parser这个解析器。
在sublime敲完之后ctrl+B即可运行（推荐下载python的SublimePythonIDE这个插件包，可以直接编译无需使用cmd）
[<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>] [Finished in 0.2s]
代码执行结果如上，将带有a的行数执行出来了。
我们按照文档要求改写一下，改写soup的内容，并且答应出结果。（直接黏贴官网内容，不在重复）
soup.title # <title>The Dormouse's story</title> soup.title.name # u'title' soup.title.string # u'The Dormouse's story' soup.title.parent.name # u'head' soup.p # <p class="title"><b>The Dormouse's story</b></p> soup.p['class'] # u'title' soup.a # <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a> soup.find_all('a') # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>] soup.find(id="link3") # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>
如上，可以很明显的看出来，解析完毕的soup，形成了key-value格式的数据，使用soup.title等方法可以分别打印出需要的内容。（#为打出内容）
还有其他的一些方法。
for link in soup.find_all('a'): print(link.get('href')) # http://example.com/elsie # http://example.com/lacie # http://example.com/tillie
使用foreach即可很轻松的对于复杂父容器的子控件进行操作。（#为打出内容）
官网最后一个内容是将该网页的所有的内容去掉符号直接显示内容。方法如下
print(soup.get_text()) # The Dormouse's story # # The Dormouse's story # # Once upon a time there were three little sisters; and their names were # Elsie, # Lacie and # Tillie; # and they lived at the bottom of a well. # # ...
也很方便的直接把文本的内容打出来了。
以上为beautifulsoup的比较简单的使用。
