1.善于利用soup节点的parent属性
比如对于已经得到了如下html代码：
<td style="padding-left:0" width="60%"><label>November</label></td><td style="padding-right:0" width="40%"> <label>2012</label> </td>
的soup变量eachMonthHeader了。
想要提取其中的
Month的label的值：November
和Year的label的值：2012
最简单，也是最省事的办法是，直接搜两个label，然后肯定会找到这两个label，然后分别对应着Month和Year的label，然后获得对应的string即可：
foundTwoLabel = eachMonthHeader.findAll("label");print "foundTwoLabel=",foundTwoLabel;monthLabel = foundTwoLabel[0];yearLabel = foundTwoLabel[1]; monthStr = monthLabel.string;yearStr = yearLabel.string; print "monthStr=",monthStr; # monthStr= Novemberprint "yearStr=",yearStr; # yearStr= 2012
但是很明显，这样的逻辑性很不好，而且万一处理多个这样的soup变量，而且两者的顺便颠倒了，那么结果也就错误了。
此时，可以考虑利用soup变量的parent属性，从一个soup变量本身，获得其上一级的soup变量。
示例代码如下：
# <td style="padding-left:0" width="60%"><label>November</label># # </td><td style="padding-right:0" width="40%"> # <label>2012</label> # # </td>foundCboMonth = eachMonthHeader.find("input", {"id":re.compile("cboMonth\d+")});#print "foundCboMonth=",foundCboMonth;tdMonth = foundCboMonth.parent;#print "tdMonth=",tdMonth;tdMonthLabel = tdMonth.label;#print "tdMonthLabel=",tdMonthLabel;monthStr = tdMonthLabel.string;print "monthStr=",monthStr; foundCboYear = eachMonthHeader.find("input", {"id":re.compile("cboYear\d+")});#print "foundCboYear=",foundCboYear;tdYear = foundCboYear.parent;#print "tdYear=",tdYear;tdYearLabel = tdYear.label;#print "tdYearLabel=",tdYearLabel;yearStr = tdYearLabel.string;print "yearStr=",yearStr;
我们再来看一个例子：
from BeautifulSoup import BeautifulSoup doc = ['<title>Page title</title>', '<body><p id="firstpara" align="center">This is paragraph <b>one</b>.', '<p id="secondpara" align="blah">This is paragraph <b>two</b>.', '']soup = BeautifulSoup(''.join(doc))print soup.prettify()# # # <title># Page title# </title># # <body># <p id="firstpara" align="center"># This is paragraph# <b># one# </b># .# </p># <p id="secondpara" align="blah"># This is paragraph# <b># two# </b># .# </p># #
这个例子中， Tag的parent是 Tag. Tag 的parent是BeautifulSoup 剖析对象自己。 剖析对象的parent是None. 利用parent，你可以向前遍历剖析树。
soup.head.parent.name# u'html'soup.head.parent.parent.__class__.__name__# 'BeautifulSoup'soup.parent == None# True
2.当解析非UTF-8或ASCII编码类型的HTML时，需要指定对应的字符编码
当html为ASCII或UTF-8编码时，可以不指定html字符编码，便可正确解析html为对应的soup：
#这里respHtml是ASCII或UTF-8编码，此时可以不指定编码类型，即可正确解析出对应的soupsoup = BeautifulSoup(respHtm<b>本文来源gao@!dai!ma.com搞$$代^@码!网</b>l);
当html为其他类型编码，比如GB2312的话，则需要指定相应的字符编码，BeautifulSoup才能正确解析出对应的soup：
比如：
#此处respHtml是GB2312编码的，所以要指定该编码类型，BeautifulSoup才能解析出对应的souphtmlCharset = "GB2312";soup = BeautifulSoup(respHtml, fromEncoding=htmlCharset);
搞代码网（gaodaima.com）提供的所有资源部分来自互联网，如果有侵犯您的版权或其他权益，请说明详细缘由并提供版权或权益证明然后发送到邮箱[email protected]，我们会在看到邮件的第一时间内为您处理，或直接联系QQ：872152909。本网站采用BY-NC-SA协议进行授权
转载请注明原文链接：Python使用Beautiful Soup包编写爬虫时的一些关键点
转载请注明原文链接：Python使用Beautiful Soup包编写爬虫时的一些关键点
