Python 开发轻量级爬虫
(imooc总结07--网页解析器BeautifulSoup)
BeautifulSoup下载和安装
使用pip install 安装：在命令行cmd之后输入，pip install BeautifulSoup4
BeautifulSoup语法
分为三个部分。
首先根据下载好的html网页字符串，我们创建一个BeautifulSoup这个对象，创建这个对象的同时就将整个文档字符串下载成一个DOM树。
然后根据这个dom树，我们就可以进行各种节点的搜索，这里有两个方法find_all/find。find_all方法会搜索出所有满足要求的节点，
find方法只会搜索出第一个满足要求的节点。这两个方法的参数是一模一样的。
得到一个节点以后，我们就可以访问节点的名称、属性、文字，相应的，在搜索节点的时候，我们也可以按照节点名称进行搜索，按照节
点的属性进行搜索，或按照节点的文字进行搜素，这里将节点内容分为名称、属性、文字。
我们举例说明。
下面是网页上一个链接：
<a href=’123.html’ class=’article_link’> python </a>
针对这样的链接我们怎样搜索它呢？
按照节点名称：a
节点属性：href = ‘123.html’
节点属性：class=‘article_link’
节点内容：python
使用这三种方式，可以进行搜索和访问
对应代码：
首先创建beautifulSoup对象，from bs4 import BeautifulSoup。
根据下载好的HTML网页字符串创建BeautifulSoup对象。
我们可以传入三个参数：
Soup = {
html_doc, #html文档字符串
‘html.parser’, #html解析器
from_encoding=’utf-8’ #html文档的编码
}
如果网页的编码和代码的编码不一致的话，解析过程中会出现乱码。这里可以对编码进行指定。
通过这种方式，我们就创建了bs对象，并且下载好了这个dom。
其次，搜索节点（find_all , find）
#方法：find_all（name, attrs, string） 节点名称、节点属性、节点文字
#查找所有标签为a的节点
Soup.find_all(‘a’)
#查找所有标签为a，链接符合/view/123.htm形式的节点
Soup.find_all(‘a’,href=’/view/123.htm’)
BS非常强大的地方是，对名字、属性、文字都可以传入一个正则表达式，来匹配对应的内容
Soup.find_all(‘a’,href=’re.compile(r’/view/\d+\.htm’))
#查找所有标签为div，class为adc，文字为python的节点
Soup.find_all(‘div’,class_=’adc’,string=’Python’)
为了避免和python冲突，将class后加下划线即：class_,
通过find_all, find两个方法就可以搜索dom中所有节点。
最后，得到节点以后就可以访问节点的信息。
比如：
#得到节点：<a href = ‘1.html’>python</a>
我们就可以获取查找到的节点的标签名称。Node.name
#获取查找到的节点的href属性
Node[‘href’] 以字典的形式可以访问到所有的属性。
#获取查找到的a节点的链接文字
Node.get_text()方法来获取文字
通过以上创建bs对象、搜索dom树、访问节点的内容，我们就可以实现对整个下载好的网页所有节点的解析和访问。
编写代码，测试bs这个模块的各种方法？
from bs4 import BeautifulSoup
import re
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>
"""
print('获取所有的链接')
links = soup.find_all('a')
for link in links:
print(link.name,link['href'],link.get_text())
print('获取lacie的链接')
link_node = soup.find('a',href='http://example.com/lacie')
print(link_node.name,link_node['href'],link_node.get_text())
print('正则匹配')
link_node = soup.find('a',href=re.compile(r"ill"))
print (link_node.name,link_node['href'],link_node.get_text())
print('获取P段文字')
p_node = soup.find('p',class_='title')
print(p_node.name,p_node.get_text())