爬虫处理流程：
将互联网上的网页获取到本地
对网页进行解析
网页解析是从网页中分离出我们所需要的、有价值的信息，以及新的待爬取的URL。
网页的解析的方法：正则表达式（采用模糊匹配的方式，找出我们所需要内容）
BeautifulSoup（是一个可以从HTML或XML文件中提取数据的第三方Python库）, BeautifulSoup可以采用Python自带的
html.parse作为它的解析器，也可以采用lxml作为解析器。lxml 是Python语言解析处得XML和HTML的库XPath（XPath 是一门在 XML 文档中查找信息的语言，XPath 可用来在 XML 文档中对元素和属性进行遍历。）
对解析出来的数据进行处理。
一、使用BeautifulSoup
安装：
pip install beautifulsoup4
安装lxml:
pip install lxml
| 解析器 | 使用方法 | 优点 | 缺点 |
|---|---|---|---|
| Python标准库 | BeautifulSoup(markup, “html.parser”) | Python的内置标准库，执行速度适中，文档容错能力强 | Python 2.7.3 or 3.2.2)前 的版本中文档容错能力差 |
| lxml HTML 解析器 | BeautifulSoup(markup, “lxml”) | 速度快，文档容错能力强 | 需要安装C语言库 |
首先必须要导入 bs4 库，创建BeautifulSoup对象
from bs4 import BeautifulSoup soup = BeautifulSoup(html,'lxml') #html为下载的网页，lxml为解析器
详细使用可以看Beautiful Soup 4.2.0 文档
掌握以下三个方法基本够用：
find_all("tag") 搜索当前所有的tag标签的集合。
find("tag") 返回的是一个tag标签。（这个方法用得少）
select("") 可以按标签名查找，用得多的是按标签逐层查找筛选元素。
二、使用BeautifulSoup提取网页内容的一些技巧
1、find_all()方法中放单独的标签名，如a，会提取网页中所有的a标签，这里要确保是我们所需要的链接a，一般都不是，需要加上条件（就是标签的属性，加以限制筛选），如果这一级标签没有属性，最好往上一级找。
以糗事百科为例来说明，http://www.qiushibaike.com/text/，抓取原创笑话段子。
发现内容都在span标签中，如果写 find_all("span") 可以抓取到段子的内容，但是还包含了网页上其他span的内容。这时我们往上一级标签上看，<div class="content> 就是只包含了段子内容的标签。
# coding=utf-8import requestsfrom bs4 import BeautifulSoup
html = requests.get('http://www.qiushibaike.com/text/').content
soup = BeautifulSoup(html,'lxml')
links = soup.find_all('div',class_='content')for link in links: print link.span.get_text()取出来的link的内容就是div，我们取它的span中的内容就是我们需要段子的内容。
2、select() 方法，可以按标签逐层查找到我们所需要的内容，这点特点方便，就是定位，避免了单一的标签无法定位到我们所需要的内容元素。
soup.select("html head title") ##标签层级查找soup.select('td div a') ## 标签路径 td --> div --> asoup.select('td > div > a')注意，以上按路径 标签之间的空格 td div a，可以用>，但也要注意>与标签之间都有空格。推荐使用 > 的方式。
我们使用Chrome浏览器，右键copy - selector （鼠标要放在标签上）
注意得到的内容，是从#开始的，这是上面div的id（#表示的是id），如果按此去搜索标签内容，只能得到一条内容。
#qiushi_tag_118962045 > a > div > span
需要改一下，按照个标签顺序去匹配搜索内容。这里第一个div就是 有id数字的那个div
div > a > div > span
按这个路径去搜索时，发现还匹配到评论的内容，这就是定位的问题，需要改得更准确一些。
a.contentHerf > div > span
改为从a标签开始，并且加上它的class属性。a.contentHerf是<a class="contentHerf"在select()方法中的写法。
# coding=utf-8import requestsfrom bs4 import BeautifulSoup
html = requests.get('http://www.qiushibaike.com/text/').content
soup = BeautifulSoup(html,'lxml')
links = soup.select('a.contentHerf > div > span')for link in links: print link.get_text() #print link.text 这样写可以两种方式抓取到糗百的段子。注意这里只抓取了一页的内容。
PS 可以参见之前的内容：使用Beautiful Soup抓取结构化数据
作者：向右奔跑
链接：https://www.jianshu.com/p/69b2cc1b9438
共同学习，写下你的评论
评论加载中...
作者其他优质文章
