beautifulsoup4 python

beautifulsoup4 用于分析网页

abloz 2012-11-02
2012-11-02

安装： [zhouhh@Hadoop48 ~]$ sudo pip install beautifulsoup4

beautifulsoup4 对css等处理相当强大，提供了新的select方法。

使用： 在scrapy中使用

#!/usr/bin/env python
# coding:utf-8
# author:zhouhh
# date:2012.11.1
import sys, os, re
import cStringIO
from bs4 import BeautifulSoup

from scrapy.spider import BaseSpider
#import HtmlXPathSelector
class TestSpider(BaseSpider):
    name = "test3"
    allowed_domains = ["localhost"]
    start_urls = [
         "http://localhost/test.html"
    ]

    def parse(self, response):
        #print dir(response)
        soup = BeautifulSoup(response.body, from_encoding="gb18030")
        #print response.body
        #titles = soup.findAll('div', {'id':'name'})
        #urls = soup.findAll('a')

        urls = soup.select("div.cname > a")
        #print urls
        for u in urls:
            print u.text
            print "------------"
            print u.get("href")
        #print response.url
        #x = HtmlXPathSelector(response)
        #print x.select("//a/text()").extract()
        #filename = response.url.split("/")[-2]
        #open(filename, 'wb').write(response.body)

执行： [zhouhh@Hadoop48 test1]$ scrapy crawl test3

参考： 官方文档

如非注明转载, 均为原创. 本站遵循知识共享CC协议,转载请注明来源

FEATURED TAGS
css vc6 http automake linux make makefile voip 乱码 awk flash vista vi vim javascript pietty putty ssh posix subversion svn windows 删除 编译 多线程 wxwidgets ie ubuntu 开源 c python bash 备份 性能 scp 汉字 log ruby 中文 bug msn nginx php shell wordpress mqueue android eclipse java mac ios html5 js mysql protobuf apache hadoop install iocp twisted centos mapreduce hbase thrift tutorial hive erlang lucene hdfs sqoop utf8 filter 草原 yarn ganglia 恢复 scrapy django fsimage flume tail flume-ng mining scala go kafka gradle cassandra baas spring postgres maven mybatis mongodb https nodejs 镜像 心理学 机器学习 Keras theano anaconda docker spark akka-http json 群论 区块链 加密 抽象代数 离散对数 同余 欧拉函数 扩展欧几里德算法 ES6 node-inspect debug win10 vscode 挖矿
FRIENDS