BeautifulSoup初识-创新互联

本来想用scrapy框架来抓取某个网站的内容，结果发现太庞大，要很多时间来研究。另外，抓取网页的代码部署在SAE上，所以不明白该如何将scrapy框架嵌入到SAE。 BeautifulSoup初识

所幸要取得网页内容不是很复杂，就直接用urllib2来获取内容。

成都创新互联公司为企业级客户提高一站式互联网+设计服务，主要包括成都网站设计、成都网站制作、重庆App定制开发、小程序设计、宣传片制作、LOGO设计等，帮助客户快速提升营销能力和企业形象，创新互联各部门都有经验丰富的经验，可以确保每一个作品的质量和创作周期，同时每年都有很多新员工加入，为我们带来大量新的创意。

但是取出的内容要如何处理，如何才能找到所需要的内容。从网上搜索发现可以用HtmlParser或者BeautifulSoup来获取，经过尝试之后果断放弃HtmlParser。

BeautifulSoup：

python中的Beautiful是用Python写的一个HTML/XML的解析器，它可以很好的处理不规范标记并生成剖析树(parse tree)。

下载地址：http://www.crummy.com/software/BeautifulSoup/

下载完成之后，提取文件中的bs4文件夹。拷贝到所需的文件夹路径下。

具体使用文档：http://www.crummy.com/software/BeautifulSoup/bs4/doc/

现在来说说我的使用方法：

假定需要解析url的代码如下：

import urllib2
from bs4 import BeautifulSoup


def catch_url( url ):
  content= urllib2.urlopen( url )
  soup= BeautifulSoup( content )
return soup

然后，使用BeautifulSoup来解析一下京东的主页：

def parse360buyContent( content ):
  beauParse ＝ BeautifulSoup( content )

  soup= beauParse.findAll('div',{'id':'life'})
  data= []
  
for con in soup:
    text= con.a['href']
    data.append({'text':text})
  
  
return data

可以看到，解析出的结果是一个list，通过for来取出每一个条目。如果需要取出此条目中的，只要将a做为属性来取出，而href则需要按字典

类型来取出。

由于用到的地方就这一点，所以未作深入研究，只是做为后续一个可查询的纪录。

网站名称：BeautifulSoup初识-创新互联
文章路径：http://cdiso.cn/article/djgdsc.html

BeautifulSoup初识-创新互联

其他资讯