1、BeautifulSoup 解析html如何使用

转自：http://blog.csdn.net/u013372487/article/details/51734047

#!/usr/bin/python

# -*- coding: UTF-8 -*-

from bs4 import BeautifulSoup

import re

#待分析字符串

html_doc = """

<html>

<head>

    <title>The Dormouse's story</title>

</head>

<body>

<p class="title aq">

    <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>

"""

# html字符串创建BeautifulSoup对象

soup = BeautifulSoup(html_doc, 'html.parser', from_encoding='utf-8')

#输出第一个 title 标签

print soup.title

#输出第一个 title 标签的标签名称

print soup.title.name

#输出第一个 title 标签的包含内容

print soup.title.string

#输出第一个 title 标签的父标签的标签名称

print soup.title.parent.name

#输出第一个  p 标签

print soup.p

#输出第一个  p 标签的 class 属性内容

print soup.p['class']

#输出第一个  a 标签的  href 属性内容

print soup.a['href']

'''

soup的属性可以被添加,删除或修改. 再说一次, soup的属性操作方法与字典一样

'''

#修改第一个 a 标签的href属性为 http://www.baidu.com/

soup.a['href'] = 'http://www.baidu.com/'

#给第一个 a 标签添加 name 属性

soup.a['name'] = u'百度'

#删除第一个 a 标签的 class 属性为

del soup.a['class']

##输出第一个  p 标签的所有子节点

print soup.p.contents

#输出第一个  a 标签

print soup.a

#输出所有的  a 标签，以列表形式显示

print soup.find_all('a')

#输出第一个 id 属性等于  link3 的  a 标签

print soup.find(id="link3")

#获取所有文字内容

print(soup.get_text())

#输出第一个  a 标签的所有属性信息

print soup.a.attrs

for link in soup.find_all('a'):

    #获取 link 的  href 属性内容

    print(link.get('href'))

#对soup.p的子节点进行循环输出

for child in soup.p.children:

    print(child)

#正则匹配，名字中带有b的标签

for tag in soup.find_all(re.compile("b")):

    print(tag.name)

2、cookie等使用方法以及函数爬虫

参照： https://cuiqingcai.com/968.html

3、header,代理,超时,认证,异常处理

参照：  http://blog.csdn.net/m_buddy/article/details/55193762

4、错误异常处理

1.URLError

# -*- coding: UTF-8 -*-

import urllib

import urllib

from urllib import request

import re

import requests

import urllib.parse

import urllib.request

from urllib.request import Request, urlopen

from urllib.error import URLError, HTTPError

if __name__ == "__main__":

    #一个不存在的连接

    url = "http://www.douyu.com/Jack_Cui.html"

    request = urllib.request.Request(url)

    try:

        response = urllib.request.urlopen(request)

        # html = responese.read()

    except urllib.error.HTTPError as e:

        print(e.code)

运行结果：

C:\Python34\python.exe G:/xiaoshuo2.py

403

Process finished with exit code 0

# -*- coding: UTF-8 -*-

import urllib

import urllib

from urllib import request

import re

import requests

import urllib.parse

import urllib.request

from urllib.request import Request, urlopen

from urllib.error import URLError, HTTPError

if __name__ == "__main__":

    #一个不存在的连接

    url = "http://www.douyu.com/Jack_Cui.html"

    request = urllib.request.Request(url)

    try:

        response = urllib.request.urlopen(request)

        html = response.read().decode('utf-8')

        print(html)

    except urllib.error.HTTPError as e:

        print(e.code)

运行结果：

C:\Python34\python.exe G:/xiaoshuo2.py

403

Process finished with exit code 0

import urllib

import urllib

from urllib import request

import re

import requests

import urllib.parse

import urllib.request

from urllib.request import Request, urlopen

from urllib.error import URLError, HTTPError

url = "http://www.douyu.com/Jack_Cui.html"

rep=urllib.request.Request(url)

try:

    data=urllib.request.urlopen(rep)

except urllib.error.URLError as e:

        if hasattr(e,'code'):

            print("HTTPError")

            print(e.code)

        if hasattr(e,'reason' ):

            print("URLError")

            print(e.reason)

输出结果：

C:\Python34\python.exe G:/xiaoshuo2.py

HTTPError

403

URLError

Forbidden

Process finished with exit code 0

5、python打印防止换行和换行

https://www.cnblogs.com/kfx2007/p/5970784.html

实例：

# coding=utf-8

import re

language = '''''

<table class="infobox bordered vcard" style="width: 21em; font-size: 89%; text-align: left;" cellpadding="3">

<caption style="text-align: center; font-size: larger;" class="fn"><b>jenkins</b></caption>

<tr>

<th>性別：</th>

<td>男</td>d

</tr>

<tr>

<th>異名：</th>

<td><span class="nickname">(字) 翔宇</span></td>

</tr>

<tr>

<th>爱好：</th>

<td><span class="org"><a href="../articles/%E4%B8%AD9A.html" title="篮球">篮球</a></span></td>

</tr>

<tr>

<th>籍貫：</th>

<td><a href="../articles/%E6%B5%9981.html" title="广西省">广西省</a><a href="../articles/%E7%BB%8D82.html" title="桂林市">桂林市</a></td>

</tr>

</table>

'''

#获取table中tr值

res_tr = r'<tr>(.*?)</tr>'

m_tr =  re.findall(res_tr,language,re.S|re.M)

for line in m_tr:

    #获取表格第一列th 属性

    res_th = r'<th>(.*?)</th>'

    m_th = re.findall(res_th,line,re.S|re.M)

    for mm in m_th:

        if "href" in mm: #如果获取加粗的th中含超链接则处理

            restr = r'<a href=.*?>(.*?)</a>'

            h = re.findall(restr,mm,re.S|re.M)

            print (h[0],end=' ') #逗号连接属性值 防止换行

        else:

            print (mm,end=' ')   #unicode防止乱

    #获取表格第二列td 属性值

    res_td = r'<td>(.*?)</td>'  #r'<td .*?>(.*?)</td>'

    m_td = re.findall(res_td,line,re.S|re.M)

    for nn in m_td:

        if "href" in nn: #处理超链接<a href=../rel=..></a>

            res_value = r'<a .*?>(.*?)</a>'

            m_value = re.findall(res_value,nn,re.S|re.M)

            for value in m_value:

                print (value,end=' ')

        elif "span" in nn: #处理标签<span>

            res_value = r'<span .*?>(.*?)</span>'

            m_value = re.findall(res_value,nn,re.S|re.M) #<td><span class="nickname">(字) 翔宇</span></td>

            for value in m_value:

                print (value,end=' ')

        else:

            print (nn,end=' ')

        print (' ') #换行

C:\Python34\python.exe G:/xiaoshuo2.py

性別： 男

異名： (字) 翔宇

爱好： 篮球

籍貫： 广西省 桂林市  

6、python打印如何呢不换行

https://www.cnblogs.com/hwd9654/p/5707920.html

# -*- coding:utf-8 -*-

import urllib

import re

#import requests

import urllib.parse

import urllib.request

from urllib.request import Request, urlopen

from urllib.error import URLError, HTTPError

class Tool:

    removeImg = re.compile('<img.*?>| {7}|')

    removeAddr = re.compile('<a.*?>|</a>')

    replaceLine = re.compile('<tr>|<div>|</div>|</p>')

    replaceTD= re.compile('<td>')

    replacePara = re.compile('<p.*?>')

    replaceBR = re.compile('<br><br>|<br>')

    removeExtraTag = re.compile('<.*?>')

    def replace(self,x):

        x = re.sub(self.removeImg,"",x)

        x = re.sub(self.removeAddr,"",x)

        x = re.sub(self.replaceLine,"\n",x)

        x = re.sub(self.replaceTD,"\t",x)

        x = re.sub(self.replacePara,"\n",x)

        x = re.sub(self.replaceBR,"\n",x)

        x = re.sub(self.removeExtraTag,"",x)

        return x.strip()

class BDTB:

    def __init__(self,baseUrl,seeLZ):

        self.baseURL = baseUrl

        self.seeLZ = '?see_lz='+str(seeLZ)

        self.tool = Tool()

    def getPage(self,pageNum):

        try:

            url = self.baseURL+ self.seeLZ + '&pn=' + str(pageNum)

            request = urllib.request.Request(url)

            response = urllib.request.urlopen(request).read().decode("utf8")

            #print (response)

            return response

        except urllib.error.URLError as e:

            if hasattr(e,"reason"):

                print ("连接百度贴吧失败,错误原因",e.reason)

                return None

    def getTitle(self):

        page = self.getPage(1)

        pattern = re.compile('<h3 class="core_title_txt.*?>(.*?)</h3>',re.S)

        result = re.search(pattern,page)

        if result:

        #print (result.group(1))

            return result.group(1).strip()

        else:

            return None

    def getPageNum(self):

        page = self.getPage(1)

        pattern = re.compile('<li class="l_reply_num.*?</span>.*?<span.*?>(.*?)</span>',re.S)

        result = re.search(pattern,page)

        #print (result.group(1))

        if result:

            return result.group(1).strip()

        else:

            return None

    def getContent(self,page):

        pattern = re.compile('<div id="post_content_.*?>(.*?)</div>',re.S)

        items = re.findall(pattern,page)

        floor = 1

        for item in items:

            print (floor,"楼-------------------------------------------------------------------------------------\n",end='')

            #print ("楼---------------------------------------------------------------------------------------------------------------\n")

            print (self.tool.replace(item))

            floor += 1

baseURLh = 'http://tieba.baidu.com/p/3138733512'

bdtb = BDTB(baseURLh,1)

bdtb.getContent(bdtb.getPage(1))

打印结果：

C:\Python34\python.exe C:/Users/Administrator/ceshi.py

1 楼-------------------------------------------------------------------------------------

很多媒体都在每赛季之前给球员排个名，我也有这个癖好…………，我会尽量理性的分析球队地位，个人能力等因素，评出我心目中的下赛季50大现役球员，这个50大是指预估他本赛季在篮球场上对球队的影响力……不是过去的荣誉什么的，所以难免有一定的主观性……如果把你喜欢的球星排低了，欢迎理性讨论！

状元维金斯镇楼

P.S 1 我每天都至少更新一个，不TJ。

      2 今年的新秀我就不考虑了，没上赛季参照

2 楼-------------------------------------------------------------------------------------

50 惊喜新人王 迈卡威

上赛季数据

篮板 6.2  助攻 6.3  抢断 1.9 盖帽  0.6 失误 3.5 犯规  3  得分 16.7

新赛季第50位，我给上赛季的新人王迈卡威。 上赛季迈卡威在彻底重建的76人中迅速掌握了球队，一开始就三双搞定了热火赢得了万千眼球。后来也屡屡有经验的表现，新秀赛季就拿过三双的球员不多，迈卡威现在可以说在76人站稳了脚跟。

7、python爬虫xpath的语法

http://www.cnblogs.com/lonenysky/p/4649455.html

//*[@id="AD_4586850"]/div[1]/strong/i

//*[@id="shop_list"]/div[1]/strong/i

//*[@id="shop_list"]

8、requests用法

http://cuiqingcai.com/2556.html

#-*—coding:utf8-*-

from lxml import etree

import requests

import re

#编码转换

import sys

#headers构造一个字典，里面保存了user-agent

#headers= { 'User-Agent' : 'User-Agent:Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/53.0.2785.143 Safari/537.36' }

html = requests.get('http://cuiqingcai.com')

print(html.text)

9、sub使用

http://blog.csdn.net/lovemianmian/article/details/8867613

1、去除imag标签

import re

text ='<imgJGood is a handsome boy,>         he is cool, clever, and so on...'

removeImg = re.compile('<img.*?>')

s=re.sub(removeImg,"",text).strip()

print (s)

C:\Python34\python.exe G:/xiaoshuo2.py

he is cool, clever, and so on...

1、1 单独去除7位长空格

import re

text ='<imgJGood is a handsome boy,>         he is cool, clever, and so on...'

removeImg = re.compile('| {7}|')

s=re.sub(removeImg,"",text).strip()

print (s)

打印

C:\Python34\python.exe G:/xiaoshuo2.py

<imgJGood is a handsome boy,>         he is cool, clever, and so on...

2、去除imag标签 + 去除7位长空格

import re

text ='<imgJGood is a handsome boy,>         he is cool, clever, and so on...'

removeImg = re.compile('<img.*?>| {7}|')

s=re.sub(removeImg,"",text).strip()

print (s)

打印：

C:\Python34\python.exe G:/xiaoshuo2.py

he is cool, clever, and so on...

Process finished with exit code 0

3、去除imag标签 + 保留7位长空格

import re

text ='<imgJGood is a handsome boy,>         he is cool, clever, and so on...'

removeImg = re.compile('<img.*?>{7}')

s=re.sub(removeImg,"",text).strip()

print (s)

打印：

C:\Python34\python.exe G:/xiaoshuo2.py

<imgJGood is a handsome boy,>         he is cool, clever, and so on...

Process finished with exit code 0

4、把两个标签中间的内容去掉

import re

text='<a href="http://jump2.bdimg.com/safecheck/index?url=x+Z5)">迈卡威</a>刷出了不错的数据'

removeImg = re.compile('<a.*?>|</a>')

s=re.sub(removeImg,"",text).strip()

print (s)

打印：

C:\Python34\python.exe G:/xiaoshuo2.py

迈卡威刷出了不错的数据

5，把<br>换行符换成/n 换行符

import re

text ='height="510"><br><br><br><br>状元维金斯镇楼<br>P.S 1 我每天都至少更新一个，不TJ。<br>      2 今年的新秀我就不考虑了，没上赛季参照'

removeImg = re.compile('<br><br>|<br>')

s=re.sub(removeImg,"\n",text).strip()

print (s)

C:\Python34\python.exe G:/xiaoshuo2.py

height="">

状元维金斯镇楼

P.S 1 我每天都至少更新一个，不TJ。

      2 今年的新秀我就不考虑了，没上赛季参照

5.1，把<br>换行符换成/n 换行符

import re

text ='height="510"><br><br><br><br>状元维金斯镇楼<br>P.S 1 我每天都至少更新一个，不TJ。<br>      2 今年的新秀我就不考虑了，没上赛季参照'

removeImg = re.compile('<br>')

s=re.sub(removeImg,"\n",text).strip()

print (s)

C:\Python34\python.exe G:/xiaoshuo2.py

height="">

状元维金斯镇楼

P.S 1 我每天都至少更新一个，不TJ。

      2 今年的新秀我就不考虑了，没上赛季参照

10、正则表达式

<div class="list-item">

            <div class="personal-info">

                <div class="pic-word">

                    <div class="pic s60">

                        <a href="//mm.taobao.com/687471686.htm" target="_blank" class="lady-avatar">        <img src="//gtd.alicdn.com/sns_logo/i2/TB1XZ1PQVXXXXaJXpXXSutbFXXX.jpg_60x60.jpg" alt="" width="" height=""/>

</a>

                    </div>

                    <p class="top">

                    <a class="lady-name" href="//mm.taobao.com/self/model_card.htm?user_id=687471686" target="_blank">jenkins</a>

                    <em><strong>27</strong>岁</em>

                    <span>广州市</span>

pattern = re.compile('<div class="list-item">.*? href="(.*?)".*? src="(.*?)".*? target="_blank">(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)

或者

pattern = re.compile('<div class="list-item">.*?<a href="(.*?)".*?<img src="(.*?)".*?<a class="lady-name".*?>(.*?)</a>.*?<strong>(.*?)</strong>.*?<span>(.*?)</span>',re.S)

https://image.baidu.com/search/index?tn=baiduimage&ct=201326592&lm=-1&cl=2&ie=gbk&word=%C3%C0%C5%AE%CD%BC%C6%AC&fr=ala&ala=1&alatpl=cover&pos=0&hs=2&xthttps=111111

python爬虫前提技术的更多相关文章

  1. python爬虫伪装技术应用

    版权声明:本文为博主原创文章,转载 请注明出处: https://blog.csdn.net/sc2079/article/details/82423865 -写在前面 本篇博客主要是爬虫伪装技术的应 ...

  2. Python爬虫入门教程 58-100 python爬虫高级技术之验证码篇4-极验证识别技术之一

    目录 验证码类型 官网最新效果 找个用极验证的网站 拼接验证码图片 编写自动化代码 核心run方法 模拟拖动方法 图片处理方法 初步运行结果 拼接图 图片存储到本地 @ 验证码类型 今天要搞定的验证码 ...

  3. Python爬虫入门教程 57-100 python爬虫高级技术之验证码篇3-滑动验证码识别技术

    滑动验证码介绍 本篇博客涉及到的验证码为滑动验证码,不同于极验证,本验证码难度略低,需要的将滑块拖动到矩形区域右侧即可完成. 这类验证码不常见了,官方介绍地址为:https://promotion.a ...

  4. Python爬虫入门教程 56-100 python爬虫高级技术之验证码篇2-开放平台OCR技术

    今日的验证码之旅 今天你要学习的验证码采用通过第三方AI平台开放的OCR接口实现,OCR文字识别技术目前已经比较成熟了,而且第三方比较多,今天采用的是百度的. 注册百度AI平台 官方网址:http:/ ...

  5. Python爬虫入门教程 55-100 python爬虫高级技术之验证码篇

    验证码探究 如果你是一个数据挖掘爱好者,那么验证码是你避免不过去的一个天坑,和各种验证码斗争,必然是你成长的一条道路,接下来的几篇文章,我会尽量的找到各种验证码,并且去尝试解决掉它,中间有些技术甚至我 ...

  6. Python爬虫入门教程 59-100 python爬虫高级技术之验证码篇5-极验证识别技术之二

    图片比对 昨天的博客已经将图片存储到了本地,今天要做的第一件事情,就是需要在两张图片中进行比对,将图片缺口定位出来 缺口图片 完整图片 计算缺口坐标 对比两张图片的所有RBG像素点,得到不一样像素点的 ...

  7. 《Python爬虫技术：深入理解原理、技术与开发》已经出版，送Python基础视频课程

    好消息,<Python爬虫技术:深入理解原理.技术与开发>已经出版!!!   JetBrains官方推荐图书!JetBrains官大中华区市场部经理赵磊作序!送Python基础视频课程!J ...

  8. Python爬虫帮你打包下载所有抖音好听的背景音乐，还不快收藏一起听歌【华为云技术分享】

    版权声明:本文为博主原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接和本声明. 本文链接:https://blog.csdn.net/devcloud/article/detai ...

  9. Python爬虫技术：爬虫时如何知道是否代理ip伪装成功？

    前言本文的文字及图片来源于网络,仅供学习.交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理. python爬虫时如何知道是否代理ip伪装成功: 有时候我们的爬虫程序添加了 ...

随机推荐

  1. Python——列表赋值的若干用例

    原创声明:本文系博主原创文章,转载或引用请注明出处. 1. 直接赋值 >>> a = [1,2,3,4,5] >>> b = a >>> id(a ...

  2. html2canvas-html图片合成-canvas生成图片

    作用 html2canvas可以通过纯JS对浏览器端经行截屏,但截图的精确度还有待提高,部分css不可识别,所以在canvas中不能完美呈现原画面样式 支持的浏览器 Firefox 3.5+ Goog ...

  3. Java 包装类及其与String转换、进制转换

    一.包装类 1.基本类型和引用类型 Java中的基本类型我们都知道有8种,但是作为基本类型限制功能的发挥,例如整形转String类型等可能需要类方法实现会更加简便.那么八个基本类型对应八个包装类,即引 ...

  4. java面试题(目录版)

    在https://www.cnblogs.com/marsitman/p/9539369.html  根据自己以往的面试经验,在该基础上做了补充和删减,均链接到相应的地址(链接失效请留言评论). 一. ...

  5. 爱搞事情的webpack

    webpack 是一个现代 JavaScript 应用程序的静态模块打包器(module bundler). 当 webpack 处理应用程序时,它会递归地构建一个依赖关系图(dependency g ...

  6. phpStudy环境下composer的安装

    前言 原来是做php开发的,现在转行前端工程师,因为很久没有接触了,可能会有其他问题,这里简单记录一下,后期遇到什么问题再进行更新~ 话说下载特别慢所以这里给个网盘链接Composer-Setup.e ...

  7. 什么是http协议(一)

    http协议是大家在互联网中最为熟悉的协议,只要上网大家都会遇到,但是,很多人被问道什么是http协议,http协议的内容是什么就懵了.这里,我们随便聊聊http协议. 首先,我们说说协议.我一直觉得 ...

  8. java——ThreadLocal、ThreadLocalMap、Thread三者的关系

    https://www.jianshu.com/p/377bb840802f Thread类中维护了一个成员变量:ThreadLocalMap 每个Thread有一个自己的ThreadLocalMap ...

  9. C# 常用方法——base64字符串转图片

    其他常用方法详见:https://www.cnblogs.com/zhuanjiao/p/12060937.html /// <summary> /// base64编码的文本转为图片 / ...

  10. [Python之路] ORM（对象关系映射）

    一.概念 ORM是Python后端Web框架Django的核心思想,"Object Relational Mapping",即对象-关系映射,简称ORM. 一句话理解就是: 创建一 ...