由 soup 推测，代码使用了 BeautifulSoup 库。
Beautiful Soup 提供了将复杂的 HTML 文档转换成树形结构，并提供了检索其中每个元素节点的功能。
find 功能函数提供了根据指定条件，在 Html 元素中搜索符合条件的 Html 元素节点，其语法如下：
find( name , attrs , recursive , text , kwargs )
代码步骤解析：
soup Beautiful Soup 对象
find("hl",class_="post-title") 调用 find 函数，查找定义了class_="post-title" 属性的元素节点
a 在上步骤中找到的<hl> 元素中，继续找 <a> 元素节点
text 在上步骤中找到的 <a> 元素中，获取其 text 属性值
strip() 移除上步骤中 text 字符串头尾的空格或换行符
1、解析html并以友好形式显示：BeautifulSoup(html_doc,'htmlparser') print(soupprettify())
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=">
还记得之前我们在第一个爬虫案例中使用过的 BeatifulSoup 吗？这节课我们就来正式学习一下 BeatifulSoup 这个页面提取工具，通过本节课的学习你会熟悉使用 BeatifulSoup 提取常见的网页元素。
使用 Requests 获取到页面源码后，我们需要一种工具来帮助我们结构化这些数据，从而方便我们检索需要的某个或者某些数据内容。BeautifulSoup 库就是这样一种工具，可以很方便我们对数据进行解析和数据的提取。
BeautifulSoup 的名字来源于大家耳熟能详的一部外国名著里面的小说，这部小说的名字叫做《爱丽丝梦游仙境》。从名字就可以看出，发明这个库的作者的目的是为了让使用这个库的人，心情舒畅，使用起来很方便舒适，接口简单人性化。
因为 BeautifulSoup 并不是 Python 内置的库，我们需要额外安装它。我们现在普遍使用的版本是 BeautifulSoup4， 简称作 bs4。
使用 pip 来安装 BeautifulSoup 很简单，打开 CMD 窗口运行下面这条命令：
安装成功后，如图所示：
解析器是一种帮我们结构化网页内容的工具，通过解析器，我们可以得到结构化的数据，而不是单纯的字符，方便我们解析和查找数据。
BeautifulSoup 的解析器有 htmlparse，html5lib，lxml 等。BeautifulSoup 本身支持的标准库是 htmlparse，html5lib。但是，lxml 的性能非常棒，以及拥有良好的容错能力，现在被广泛的使用。
解析器对比：
安装 lxml 和安装 BeautifulSoup 类似，同样只需一行命令就好：
安装成功后，如下所示：
BeautifulSoup 将 HTML 转换成树形结构，每个节点都是 Python 对象，所有对象可以归纳为 4 种:
下面我们一一来看下这四类对象：
下面我们就来具体使用一下 BeautifulSoup 这个解析工具，我们首先模仿 HTML 页面结构创建一个字符串：
工作中，我们一般经常的使用的方法就是 find_all 方法。但是，除了上述我们讲的 find_all 方法之外，BeautifulSoup 还有其他一些以 find 开头的方法，由于不是经常使用，这里就简单的列举一下，如果同学们感兴趣的话可以自己深入了解下。
Python 中可以进行网页解析的库有很多，常见的有 BeautifulSoup 和 lxml 等。在网上玩爬虫的文章通常都是介绍 BeautifulSoup 这个库，我平常也是常用这个库，最近用 Xpath 用得比较多，使用 BeautifulSoup 就不大习惯，很久之前就知道 Reitz 大神出了一个叫 Requests-HTML 的库，一直没有兴趣看，这回可算歹着机会用一下了。
使用 pip install requests-html 安装，上手和 Reitz 的其他库一样，轻松简单：
这个库是在 requests 库上实现的，r 得到的结果是 Response 对象下面的一个子类，多个一个 html 的属性。所以 requests 库的响应对象可以进行什么 *** 作，这个 r 也都可以。如果需要解析网页，直接获取响应对象的 html 属性：
不得不膜拜 Reitz 大神太会组装技术了。实际上 HTMLSession 是继承自 requestsSession 这个核心类，然后将 requestsSession 类里的 requests 方法改写，返回自己的一个 HTMLResponse 对象，这个类又是继承自 requestsResponse,只是多加了一个 _from_response 的方法来构造实例：
之后在 HTMLResponse 里定义属性方法 html，就可以通过 html 属性访问了,实现也就是组装 PyQuery 来干。核心的解析类也大多是使用 PyQuery 和 lxml 来做解析，简化了名称，挺讨巧的。
元素定位可以选择两种方式：
方法名非常简单，符合 Python 优雅的风格，这里不妨对这两种方式简单的说明：
定位到元素以后势必要获取元素里面的内容和属性相关数据，获取文本：
获取元素的属性：
还可以通过模式来匹配对应的内容：
这个功能看起来比较鸡肋，可以深入研究优化一下，说不定能在 github 上混个提交。
除了一些基础 *** 作，这个库还提供了一些人性化的 *** 作。比如一键获取网页的所有超链接，这对于整站爬虫应该是个福音，URL 管理比较方便：
内容页面通常都是分页的，一次抓取不了太多，这个库可以获取分页信息：
结果如下：
通过迭代器实现了智能发现分页，这个迭代器里面会用一个叫 _next 的方法，贴一段源码感受下：
通过查找 a 标签里面是否含有指定的文本来判断是不是有下一页，通常我们的下一页都会通过 下一页 或者 加载更多 来引导，他就是利用这个标志来进行判断。默认的以列表形式存在全局： ['next','more','older'] 。我个人认为这种方式非常不灵活，几乎没有扩展性。 感兴趣的可以往 github 上提交代码优化。
也许是考虑到了现在 js 的一些异步加载，这个库支持 js 运行时，官方说明如下：
使用非常简单，直接调用以下方法：
第一次使用的时候会下载 Chromium，不过国内你懂的，自己想办法去下吧，就不要等它自己下载了。render 函数可以使用 js 脚本来 *** 作页面，滚动 *** 作单独做了参数。这对于上拉加载等新式页面是非常友好的。
使用urllib来获取百度首页的源码
get请求参数，如果是中文，需要对中文进行编码，如下面这样，如果不编码会报错。
urlencode应用场景：多个参数的时候。如下
为什么要学习handler？
为什么需要代理？因为有的网站是禁止爬虫的，如果用真实的ip去爬虫，容易被封掉。
2解析技术
1安装lxml库
2导入lxmletree
3etreeparse() 解析本地文件
4etreeHTML() 服务器响应文件
5解析获取DOM元素
1路径查询
2谓词查询
3属性查询
4模糊查询
5内容查询
6逻辑运算
示例：
JsonPath只能解析本地文件。
pip安装：
jsonpath的使用：
示例：
解析上面的json数据
缺点：效率没有lxml的效率高
优点：接口设计人性化，使用方便
pip install bs4 -i >
必要有一些查找方法可以获取这些文本值或标签属性。消费者或第二消费者,我们可以使用Beautiful Soup的soupfind("ul") print(producer_entrieslidiv
BeautifulSoup 官方文档 介绍：BeautifulSoup 是一个可以从HTML或XML文件中提取数据的Python库。使用BeautifulSoup更多方便，避免使用正则表达式容易出错，提高效率。
BeautifulSoup支持Python标准库中的HTML解析器,还支持一些第三方的解析器,其中一个是 lxml。以下为BeautifulSoup官方文档对支持的解析器优缺点对比。
推荐使用lxml解释器，效率更高。 注意：不同的解析器返回不同的结果
通过解析器，BeautifulSoup可以传入一段字符串或文件。
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 。接下来使用以下文档进行说明。
可以看到a点只是返回第一个，如果需要历遍全部则需要用find_all('a')。
tag有多种属性，其中两个最重要的就是name和attributes。name一般返回标签本身（soup返回document）， 注意，tag属性 *** 作方法和字典一样。
上面说到节点选择可以直接利用标签，如<head>标签用souphead，也可通过name和attrs可以直接获取属性， *** 作和字典一样。以上是直接获取的方式，当想要获取标签的子节点、父节点、兄弟节点则需要通过另外的方法。
children 是一个llist生成器，可以对子节点进行历遍循环
descendants 是返回所有子孙节点，比较children和descendants的输出区别
稍微说一下背景，当时我想研究蛋白质与小分子的复合物在空间三维结构上的一些规律，首先得有数据啊，数据从哪里来？就是从一个涵盖所有已经解析三维结构的蛋白质-小分子复合物的数据库里面下载。这时候，手动一个个去下显然是不可取的，我们需要写个脚本，能从特定的网站选择性得批量下载需要的信息。python是不错的选择。
import urllib #python中用于获取网站的模块
import urllib2, cookielib
有些网站访问时需要cookie的，python处理cookie代码如下：
cj = cookiejar ( )
opener = build_opener( >
以上就是关于这句话是什么意思全部的内容，包括:这句话是什么意思、BeautifulSoup4中文文档、10《Python 原生爬虫教程》BeatifulSoup 的使用等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）