Python使用Beautiful Soup包编写爬虫时的一些关键点_Python

Python使用Beautiful Soup包编写爬虫时的一些关键点

2020-08-09 17:18crifan Python

这篇文章主要介绍了Python使用Beautiful Soup包编写爬虫时的一些关键点,文中讲到了parent属性的使用以及soup的编码问题,需要的朋友可以参考下

1.善于利用soup节点的parent属性

比如对于已经得到了如下html代码：

				?

									<td style="padding-left:0" width="60%"><label>November</label>

									<input type="Hidden" id="cboMonth1" name="cboMonth1" value="11">

									</td><td style="padding-right:0;" width="40%">

									  <label>2012</label>

									  <input type="Hidden" id="cboYear1" name="cboYear1" value="2012">

									</td>

的soup变量eachMonthHeader了。

想要提取其中的

Month的label的值：November

和Year的label的值：2012

最简单，也是最省事的办法是，直接搜两个label，然后肯定会找到这两个label，然后分别对应着Month和Year的label，然后获得对应的string即可：

				?

									foundTwoLabel = eachMonthHeader.findAll("label");

									print "foundTwoLabel=",foundTwoLabel;

									monthLabel = foundTwoLabel[0];

									yearLabel = foundTwoLabel[1];

									monthStr = monthLabel.string;

									yearStr = yearLabel.string;

									print "monthStr=",monthStr; # monthStr= November

									print "yearStr=",yearStr; # yearStr= 2012

但是很明显，这样的逻辑性很不好，而且万一处理多个这样的soup变量，而且两者的顺便颠倒了，那么结果也就错误了。

此时，可以考虑利用soup变量的parent属性，从一个soup变量本身，获得其上一级的soup变量。
示例代码如下：

				?

									# <td style="padding-left:0" width="60%"><label>November</label>

									# <input type="Hidden" id="cboMonth1" name="cboMonth1" value="11">

									# </td><td style="padding-right:0;" width="40%">

									  # <label>2012</label>

									  # <input type="Hidden" id="cboYear1" name="cboYear1" value="2012">

									# </td>

									foundCboMonth = eachMonthHeader.find("input", {"id":re.compile("cboMonth\d+")});

									#print "foundCboMonth=",foundCboMonth;

									tdMonth = foundCboMonth.parent;

									#print "tdMonth=",tdMonth;

									tdMonthLabel = tdMonth.label;

									#print "tdMonthLabel=",tdMonthLabel;

									monthStr = tdMonthLabel.string;

									print "monthStr=",monthStr;

									foundCboYear = eachMonthHeader.find("input", {"id":re.compile("cboYear\d+")});

									#print "foundCboYear=",foundCboYear;

									tdYear = foundCboYear.parent;

									#print "tdYear=",tdYear;

									tdYearLabel = tdYear.label;

									#print "tdYearLabel=",tdYearLabel;

									yearStr = tdYearLabel.string;

									print "yearStr=",yearStr;

我们再来看一个例子：

				?

									from BeautifulSoup import BeautifulSoup 

									doc = ['<html><head><title>Page title</title></head>',

									    '<body><p id="firstpara" align="center">This is paragraph <b>one</b>.',

									    '<p id="secondpara" align="blah">This is paragraph <b>two</b>.',

									    '</html>']

									soup = BeautifulSoup(''.join(doc))

									print soup.prettify()

									# <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>

这个例子中，<HEAD> Tag的parent是<HTML> Tag. <HTML> Tag 的parent是BeautifulSoup 剖析对象自己。剖析对象的parent是None. 利用parent，你可以向前遍历剖析树。

				?

									soup.head.parent.name

									# u'html'

									soup.head.parent.parent.__class__.__name__

									# 'BeautifulSoup'

									soup.parent == None

									# True

2.当解析非UTF-8或ASCII编码类型的HTML时，需要指定对应的字符编码

当html为ASCII或UTF-8编码时，可以不指定html字符编码，便可正确解析html为对应的soup：

				?

									#这里respHtml是ASCII或UTF-8编码，此时可以不指定编码类型，即可正确解析出对应的soup

									soup = BeautifulSoup(respHtml);

当html为其他类型编码，比如GB2312的话，则需要指定相应的字符编码，BeautifulSoup才能正确解析出对应的soup：

比如：

				?

									#此处respHtml是GB2312编码的，所以要指定该编码类型，BeautifulSoup才能解析出对应的soup

									htmlCharset = "GB2312";

									soup = BeautifulSoup(respHtml, fromEncoding=htmlCharset);