快捷導(dǎo)航

BeautifulSoup獲取指定class樣式的div的實(shí)現(xiàn)

更新時(shí)間：2020年12月07日 10:58:33 作者：morein2008

這篇文章主要介紹了BeautifulSoup獲取指定class樣式的div的實(shí)現(xiàn)，文中通過示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧

如何獲取指定的標(biāo)簽的內(nèi)容是解析網(wǎng)頁(yè)爬取數(shù)據(jù)的必要手段，比如想獲取<div class='xxx'> ...<div>這樣的div標(biāo)簽，通常有三種辦法，

1）用字符串查找方法,然后切分字符串（或切片操作），如str.index(patternStr)或str.find(patternStr)，這種方法快，但步驟多，因?yàn)橐ヮ^去尾。

2）用正則表達(dá)式，比如'<div class="result_info">([\s\S]+?)</div>'，通過正則表達(dá)式的括號(hào)，可以獲取匹配的內(nèi)容，即<div ..></div>之間的內(nèi)容：

import re

def getTags(html):
 reg = r'<div class="result_info">([\s\S]+?)</div>'
 pattern= re.compile(reg)
 tags= re.findall(pattern, html)
 return tags

不過正則表達(dá)式仍有缺點(diǎn)，例如'<div class="result_info">([\s\S]+?)</div>'括號(hào)中的問號(hào)表示非貪婪匹配，正常情況下可以匹配到所需要的內(nèi)容，但如果class="result_info"的div中還嵌套了子的div，那么正則表達(dá)式的后半部分"</div>"將會(huì)匹配子div的結(jié)尾部分</div>，而不是希望的父div.

假如有這樣一個(gè)html：

 <div class="result_info">
  <p>some paragraph test 1
  </p>
  <p>some paragraph test 2
  </p>
  <div id="div_sub" class="sub_div_style">
  some contents in sub div
  </div>
  backend content here
 </div>

那么backend contents here這段內(nèi)容將會(huì)匹配不到，正則表達(dá)式將會(huì)將id為div_sub的</div>作為結(jié)尾。

3）使用第三方庫(kù)，比如BeautifulSoup，優(yōu)點(diǎn)是準(zhǔn)確，缺點(diǎn)是速度會(huì)比字符串切分、正則表達(dá)式慢，下面說說BeautifulSoup的用法。

按照BeautifulSoup官方文檔的說明怎么都不能成功，后來(lái)在百度知道（http://zhidao.baidu.com/question/433247968620775644.html）找到答案，真是扯淡，附上有效代碼：

soup=BeautifulSoup(html)
print soup.find_all(name='div',attrs={"class":"footer"})#按照字典的形式給attrs參數(shù)賦值

完整的：

from bs4 import BeautifulSoup
import urllib2

def getTargetDiv(url,myAttrs):
 html=urllib2.urlopen(url).read()
 soup=BeautifulSoup(html)
 return soup.find_all(name='div',attrs=myAttrs)

if __name__=="__main__":
 url=r'http://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/'
 myAttrs={'class':'footer'}
 print getTargetDiv(url, myAttrs)

按照官方文檔(http://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/)的做法：

#1.soup.find_all("a", class_="sister")
#2.css_soup.find_all("p", class_="body")
#3.soup.find_all(href=re.compile("elsie"))

改成

soup.find_all(name='div',class_=re.compile('info_item'))

或者

soup.find_all('div',class_='info_item')

都沒有匹配結(jié)果，經(jīng)測(cè)試需要soup.find_all(name='div',attrs={"class":"footer"})這樣以字典的形式給attrs參數(shù)賦值才可以。

另一個(gè)例子，獲取指定樣式的div內(nèi)的所有圖片url，并下載保存:

urls=[]
for img in soup.find('div',attrs={'class':'wrap'}).find_all('img'):#找到class="wrap"的div里面的所有<img>標(biāo)簽
 urls.append(img.attrs['src'])#獲取img標(biāo)簽的src屬性，即圖片網(wǎng)址

i=0
savedir=r'C:\Users\hp\Desktop\Images'#路徑中不能包含中文
for url in urls:
 urllib.urlretrieve(url, '%s\%s.jpg'%(savedir,i))
 i+=1
print 'Done'

更多用法，可參考：http://m.fzitv.net/article/184386.htm

到此這篇關(guān)于BeautifulSoup獲取指定class樣式的div的實(shí)現(xiàn)的文章就介紹到這了,更多相關(guān)BeautifulSoup獲取class樣式的div內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

您可能感興趣的文章: