python解析網頁，無出BeautifulSoup左右，此是序言
安裝
BeautifulSoup4以后的安裝需要用eazy_install，如果不需要最新的功能，安裝版本3就夠了，千萬別以為老版本就怎么怎么不好，想當初也是千萬人在用的啊。安裝很簡單
$ wget "
$ tar zxvf BeautifulSoup-3.2.1.tar.gz
然后把里面的BeautifulSoup.py這個文件放到你python安裝目錄下的site-packages目錄下site-packages是存放Python第三方包的地方，至于這個目錄在什么地方呢，每個系統不一樣，可以用下面的方式找一下，基本上都能找到
$ sudo find / -name "site-packages" -maxdepth 5 -type d
$ find ~ -name "site-packages" -maxdepth 5
當然如果沒有root權限就查找當前用戶的根目錄
$ find ~ -name "site-packages" -maxdepth 5 -type d
如果你用的是Mac，哈哈，你有福了，我可以直接告訴你，Mac的這個目錄在/Library/Python/下，這個下面可能會有多個版本的目錄，沒關系，放在最新的一個版本下的site-packages就行了。使用之前先import一下
from BeautifulSoup import BeautifulSoup
使用
在使用之前我們先來看一個實例
現在給你這樣一個頁面
它是豆瓣電影分類下的喜劇電影，如果讓你找出里面評分最高的100部，該怎么做呢
好了，我先曬一下我做的，鑒于本人在CSS方面處于小白階段以及天生沒有美術細菌，界面做的也就將就能看下，別吐
接下來我們開始學習BeautifulSoup的一些基本方法，做出上面那個頁面就易如反掌了
鑒于豆瓣那個頁面比較復雜，我們先以一個簡單樣例來舉例，假設我們處理如下的網頁代碼
<html>
<head><title>Page title</title></head>
<body>
<p id="firstpara" align="center">
This is paragraph
<b>
one
</b>
.
</p>
<p id="secondpara" align="blah">
This is paragraph
<b>
two
</b>
.
</p>
</body>
</html>
你沒看錯，這就是官方文檔里的一個樣例，如果你有耐心，看官方文檔就足夠了，后面的你都不用看
http://www.leeon.me/upload/other/beautifulsoup-documentation-zh.html初始化
首先將上面的HTML代碼賦給一個變量html如下，為了方便大家復制這里貼的是不帶回車的，上面帶回車的代碼可以讓大家看清楚HTML結構
html = '<html><head><title>Page title</title></head><body><p id="firstpara" align="center">This is paragraph<b>one</b>.</p><p id="secondpara" align="blah">This is paragraph<b>two</b>.</p></body></html>'
初始化如下：
soup = BeautifulSoup(html)
我們知道HTML代碼可以看成一棵樹，這個操作等于是把HTML代碼解析成一種樹型的數據結構并存儲在soup中，注意這個數據結構的根節點不是<html>，而是soup，其中html標簽是soup的唯一子節點，不信你試試下面的操作
print soup
print soup.contents[0]
print soup.contents[1]
前兩個輸出結果是一致的，就是整個html文檔，第三條輸出報錯IndexError: list index out of range查找節點
查找節點有兩種反回形式，一種是返回單個節點，一種是返回節點list，對應的查找函數分別為find和findAll
單個節點
1.根據節點名
## 查找head節點
print soup.find('head') ## 輸出為<head><title>Page title</title></head>
## or
## head = soup.head
這種方式查找到的是待查找節點最近的節點，比如這里待查找節點是soup，這里找到的是離soup最近的一個head（如果有多個的話）
2.根據屬性
## 查找id屬性為firstpara的節點
print soup.find(attrs={'id':'firstpara'})
## 輸出為<p id="firstpara" align="center">This is paragraph<b>one</b>.</p>
## 也可節點名和屬性進行組合
print soup.find('p', attrs={'id':'firstpara'}) ## 輸出同上
3.根據節點關系
節點關系無非就是兄弟節點，父子節點這樣的
p1 = soup.find(attrs={'id':'firstpara'}) ## 得到第一個p節點
print p1.nextSibling ## 下一個兄弟節點
## 輸出<p id="secondpara" align="blah">This is paragraph<b>two</b>.</p>
p2 = soup.find(attrs={'id':'secondpara'}) ## 得到第二個p節點
print p2.previousSibling ## 上一個兄弟節點
## 輸出<p id="firstpara" align="center">This is paragraph<b>one</b>.</p>
print p2.parent ## 父節點，輸出太長這里省略部分 <body>...</body>
print p2.contents[0] ## 第一個子節點，輸出u'This is paragraph'
多個節點
將上面介紹的find改為findAll即可返回查找到的節點列表，所需參數都是一致的
1.根據節點名
## 查找所有p節點
soup.findAll('p')
2.根據屬性查找
## 查找id=firstpara的所有節點
soup.findAll(attrs={'id':'firstpara'})
需要注意的是，雖然在這個例子中只找到一個節點，但返回的仍是一個列表對象
上面的這些基本查找功能已經可以應付大多數情況，如果需要各個高級的查找，比如正則式，可以去看官方文檔
獲取文本
getText方法可以獲取節點下的所有文本，其中可以傳遞一個字符參數，用來分割每個各節點之間的文本
## 獲取head節點下的文本
soup.head.getText() ## u'Page title'
## or
soup.head.text
## 獲取body下的所有文本并以/n分割
soup.body.getText('/n') ## u'This is paragraph/none/n./nThis is paragraph/ntwo/n.'
實戰
有了這些功能，文章開頭給出的那個Demo就好做了，我們再來回顧下豆瓣的這個頁面
http://movie.douban.com/tag/%E5%96%9C%E5%89%A7
如果要得到評分前100的所有電影，對這個頁面需要提取兩個信息：1、翻頁鏈接；2、每部電影的信息（外鏈，圖片，評分、簡介、標題等）
當我們提取到所有電影的信息后再按評分進行排序，選出最高的即可，這里貼出翻頁提取和電影信息提取的代碼
## filename: Grab.py
from BeautifulSoup import BeautifulSoup, Tag
import urllib2
import re
from Log import LOG
def LOG(*argv):
sys.stderr.write(*argv)
sys.stderr.write('/n')
class Grab():
url = ''
soup = None
def GetPage(self, url):
if url.find('http://',0,7) != 0:
url = 'http://' + url
self.url = url
LOG('input url is: %s' % self.url)
req = urllib2.Request(url, headers={'User-Agent' : "Magic Browser"})
try:
page = urllib2.urlopen(req)
except:
return
return page.read()
def ExtractInfo(self,buf):
if not self.soup:
try:
self.soup = BeautifulSoup(buf)
except:
LOG('soup failed in ExtractInfo :%s' % self.url)
return
try:
items = self.soup.findAll(attrs={'class':'item'})
except:
LOG('failed on find items:%s' % self.url)
return
links = []
objs = []
titles = []
scores = []
comments = []
intros = []
for item in items:
try:
pic = item.find(attrs={'class':'nbg'})
link = pic['href']
obj = pic.img['src']
info = item.find(attrs={'class':'pl2'})
title = re.sub('[ /t]+',' ',info.a.getText().replace(' ','').replace('/n',''))
star = info.find(attrs={'class':'star clearfix'})
score = star.find(attrs={'class':'rating_nums'}).getText().replace(' ','')
comment = star.find(attrs={'class':'pl'}).getText().replace(' ','')
intro = info.find(attrs={'class':'pl'}).getText().replace(' ','')
except Exception,e:
LOG('process error in ExtractInfo: %s' % self.url)
continue
links.append(link)
objs.append(obj)
titles.append(title)
scores.append(score)
comments.append(comment)
intros.append(intro)
return(links, objs, titles, scores, comments, intros)
def ExtractPageTurning(self,buf):
links = set([])
if not self.soup:
try:
self.soup = BeautifulSoup(buf)
except:
LOG('soup failed in ExtractPageTurning:%s' % self.url)
return
try:
pageturning = self.soup.find(attrs={'class':'paginator'})
a_nodes = pageturning.findAll('a')
for a_node in a_nodes:
href = a_node['href']
if href.find('http://',0,7) == -1:
href = self.url.split('?')[0] + href
links.add(href)
except:
LOG('get pageturning failed in ExtractPageTurning:%s' % self.url)
return links
def Destroy(self):
del self.soup
self.soup = None
接著我們再來寫個測試樣例
## filename: test.py
#encoding: utf-8
from Grab import Grab
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
grab = Grab()
buf = grab.GetPage('http://movie.douban.com/tag/喜劇?start=160&type=T')
if not buf:
print 'GetPage failed!'
sys.exit()
links, objs, titles, scores, comments, intros = grab.ExtractInfo(buf)
for link, obj, title, score, comment, intro in zip(links, objs, titles, scores, comments, intros):
print link+'/t'+obj+'/t'+title+'/t'+score+'/t'+comment+'/t'+intro
pageturning = grab.ExtractPageTurning(buf)
for link in pageturning:
print link
grab.Destroy()
OK，完成這一步接下來的事兒就自個看著辦吧
本文只是介紹了BeautifulSoup的皮毛而已，目的是為了讓大家快速學會一些基本要領，想當初我要用什么功能都是去BeautifulSoup的源代碼里一個函數一個函數看然后才會的，一把辛酸淚啊，所以希望后來者能夠通過更便捷的方式去掌握一些基本功能，也不枉我一字一句敲出這篇文章，尤其是這些代碼的排版，真是傷透了腦筋
