更新一下我對於python爬蟲的更改
#使用build_opener()是為了讓python程式模仿瀏覽器進行訪問
opener = urllib.request.build_opener()
opener.addheaders = [('User-agent', 'Mozilla/5.0')]
你是否好奇標識瀏覽器身份的User-Agent，為什麼每個瀏覽器都有Mozilla字樣?
Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/27.0.1453.94 Safari/537.36
Mozilla/5.0 (Linux; U; Android 4.1.2; zh-tw; GT-I9300 Build/JZO54K) AppleWebKit/534.30 (KHTML, like Gecko) Version/4.0 Mobile Safari/534.30
Mozilla/5.0 (Windows NT 6.1; WOW64; rv:20.0) Gecko/20100101 Firefox/20.0 Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.0; Trident/5.0)
故事還得從頭說起，最初的主角叫NCSA Mosaic，簡稱Mosaic(馬賽克)，是1992年末位於伊利諾伊大學厄巴納-香檳分校的國家超級計算機應用中心(National Center for Supercomputing Applications，簡稱NCSA)開發，並於1993年釋出的一款瀏覽器。它自稱“NCSA_Mosaic/2.0(Windows 3.1)”，Mosaic可以同時展示文字和圖片，從此瀏覽器變得有趣多了。
然而很快就出現了另一個瀏覽器，這就是著名的Mozilla，中文名稱摩斯拉。一說 Mozilla = Mosaic + Killer，意為Mosaic殺手，也有說法是 Mozilla = Mosaic & Godzilla，意為馬賽克和哥斯拉，而Mozilla最初的吉祥物是隻綠色大蜥蜴，後來更改為紅色暴龍，跟哥斯拉長得一樣。
但Mosaic對此非常不高興，於是後來Mozilla更名為Netscape，也就是網景。Netscape自稱“Mozilla/1.0(Win3.1)”，事情開始變得更加有趣。網景支援框架(frame)，由於大家的喜歡框架變得流行起來，但是Mosaic不支援框架，於是網站管理員探測user agent，對Mozilla瀏覽器傳送含有框架的頁面，對非Mozilla瀏覽器傳送沒有框架的頁面。
後來網景拿微軟尋開心，稱微軟的Windows是“沒有除錯過的硬體驅動程式”。微軟很生氣，後果很嚴重。此後微軟開發了自己的瀏覽器，這就是Internet Explorer，並希望它可以成為Netscape Killer。IE同樣支援框架，但它不是Mozilla，所以它總是收不到含有框架的頁面。微軟很鬱悶很快就沉不住氣了，它不想等到所有的網站管理員都瞭解IE並且給IE傳送含有框架的頁面，它選擇宣佈IE是相容Mozilla，並且模仿Netscape稱IE為“Mozilla/1.22(compatible; MSIE 2.0; Windows 95)”，於是IE可以收到含有框架的頁面了，所有微軟的人都嗨皮了，但是網站管理員開始暈了。
因為微軟將IE和Windows捆綁銷售，並且把IE做得比Netscape更好，於是第一次瀏覽器血腥大戰爆發了，結果是Netscape以失敗退出歷史舞臺，微軟更加嗨皮。但沒想到Netscape居然以Mozilla的名義重生了，並且開發了Gecko，這次它自稱為“Mozilla/5.0(Windows; U; Windows NT 5.0; en-US; rv:1.1) Gecko/20020826”。
Gecko是一款渲染引擎並且很出色。Mozilla後來變成了Firefox，並自稱“Mozilla/5.0 (Windows; U; Windows NT 5.1; sv-SE; rv:1.7.5) Gecko/20041108 Firefox/1.0”。Firefox效能很出色，Gecko也開始攻城略地，其他新的瀏覽器使用了它的程式碼，並且將它們自己稱為“Mozilla/5.0 (Macintosh; U; PPC Mac OS X Mach-O; en-US; rv:1.7.2) Gecko/20040825 Camino/0.8.1”，以及“Mozilla/5.0 (Windows; U; Windows NT 5.1; de; rv:1.8.1.8) Gecko/20071008 SeaMonkey/1.0”，每一個都將自己裝作Mozilla，而它們全都使用Gecko。
Gecko很出色，而IE完全跟不上它，因此user agent探測規則變了，使用Gecko的瀏覽器被髮送了更好的程式碼，而其他瀏覽器則沒有這種待遇。Linux的追隨者對此很難過，因為他們編寫了Konqueror，它的引擎是KHTML，他們認為KHTML和Gecko一樣出色，但卻因為不是Gecko而得不到好的頁面，於是Konqueror為得到更好的頁面開始將自己偽裝成“like Gecko”，並自稱為“Mozilla/5.0 (compatible; Konqueror/3.2; FreeBSD) (KHTML, like Gecko)”。自此user agent變得更加混亂。
這時更有Opera跳出來說“毫無疑問，我們應該讓使用者來決定他們想讓我們偽裝成哪個瀏覽器。”於是Opera乾脆建立了選單項讓使用者自主選擇讓Opera瀏覽器變成“Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; en) Opera 9.51”，或者“Mozilla/5.0 (Windows NT 6.0; U; en; rv:1.8.1) Gecko/20061208 Firefox/2.0.0 Opera 9.51”， 或者“Opera/9.51 (Windows NT 5.1; U; en)”。
後來蘋果開發了Safari瀏覽器，並使用KHTML作為渲染引擎，但蘋果加入了許多新的特性，於是蘋果從KHTML另闢分支稱之為WebKit，但它又不想拋棄那些為KHTML編寫的頁面，於是Safari自稱為“Mozilla/5.0 (Macintosh; U; PPC Mac OS X; de-de) AppleWebKit/85.7 (KHTML, like Gecko) Safari/85.5”，這進一步加劇了user agent的混亂局面。
因為微軟十分忌憚Firefox，於是IE重灌上陣，這次它自稱為“Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.0) ”，並且渲染效果同樣出色，但是需要網站管理員的指令它這麼做才行。
再後來，谷歌開發了Chrome瀏覽器，Chrome使用Webkit作為渲染引擎，和Safari之前一樣，它想要那些為Safari編寫的頁面，於是它偽裝成了Safari。於是Chrome使用WebKit，並將自己偽裝成Safari，WebKit偽裝成KHTML，KHTML偽裝成Gecko，最後所有的瀏覽器都偽裝成了Mozilla，這就是為什麼所有的瀏覽器User-Agent裡都有Mozilla。Chrome自稱為“Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US) AppleWebKit/525.13 (KHTML, like Gecko) Chrome/0.2.149.27 Safari/525.13”。
因為以上這段歷史，現在的User-Agent字串變得一團糟，幾乎根本無法彰顯它最初的意義。追根溯源，微軟可以說是這一切的始作俑者，但後來每一個人都在試圖假扮別人，最終把User-Agent搞得混亂不堪。
一句話結論：因為網站開發者可能會因為你是某瀏覽器(這裡是 Mozilla)，所以輸出一些特殊功能的程式程式碼(這裡指好的特殊功能)，所以當其它瀏覽器也支援這種好功能時，就試圖去模仿 Mozilla 瀏覽器讓網站輸出跟 Mozilla 一樣的內容，而不是輸出被閹割功能的程式程式碼。大家都為了讓網站輸出最好的內容，都試圖假裝自己是 Mozilla 一個已經不存在的瀏覽器……
附：各大瀏覽器誕生年表：
根據考證，世界上第一個瀏覽器是WorldWideWeb，誕生於1990年。 而第一個普及的，是由NCSA開發的Mosaic瀏覽器。
1993年1月23日：Mosaic Alpha，同年3月推出0.1版本，它實際上也是Netscape與IE的共同祖先。
1994年12月：Netscape 1.0（Mozilla/1.0）
1994年：Opera，基於Elektra排版引擎（已成為歷史）。
1995年8月16日：Internet Explorer 1.0（Mozilla/1.22）
1996年10月14日：Kongqueror瀏覽器，基於KHTML引擎，主要應用於 Linux 和 BSD家族的作業系統。
1998年，Windows98橫空出世，捆綁了IE4.0，Netscape最終被徹底地打敗！
1998年11月24日，美國線上AOL宣佈收購Netscape公司。之後將所有Netscape的瀏覽器原始程式碼都送給了開源社群自行開發，併成立開源社群Mozilla（mozilla.org）。
2000年11月:網景公司正式釋出Netscape 6.0，基於新一代的排版引擎Gecko。
2001年10月，微軟釋出Windows XP，因為忌憚Firefox的效能優勢，XP系統捆綁釋出了Internet Explorer 6.0（Mozilla/4.0）。
2003年1月7日：Safari beta，基於KHTML排版引擎。
2003年6月，Opera7.0，啟用Presto排版引擎。
2003年7月15日，美國線上AOL解散了網景公司Netscape，而Mozilla基金會亦在當天成立，它就是現在Firefox瀏覽器的管理和推進組織，從此FireFox成了削弱IE市場份額的一隻重要棋子，Netscape的借屍還魂術宣告成功。
2003年，蘋果推出了採用WebKit引擎的瀏覽器 Safari。
2004年11月9日：Mozilla基金會發布了Firefox的第一個正式版本1.0（Mozilla/5.0），基於Gecko排版引擎。
2005年，蘋果宣佈將WebKit完全開源（之前僅有從KHTML直接搬來的WebCore及JavaScriptCore是開源的）。
2008年9月2日：Chrome，基於Chromium引擎，WebKit的一個分支。。
2010年4月，蘋果公司宣佈了其瀏覽器引擎Webkit的最新專案Webkit2。
2013年2月，Opera宣佈將用WebKit替代當前的核心瀏覽器引擎Presto。
2013年4月3日，谷歌宣佈將與蘋果的開源瀏覽器核心Webkit分道揚鑣，在Chromium專案中研發Blink渲染引擎，內置於Chrome瀏覽器之中。
2013年4月，Opera又宣佈放棄WEBKIT，跟隨GOOGLE的新開發的Blink引擎。
2015年6月7日，Windows10預覽版，啟用Microsoft Edge瀏覽器名稱，WebCore是EdegHTML，JSCore是Chakra。
2016年1月12日起，微軟停止為IE8/9/10這些舊版本的IE瀏覽器提供技術支援，Internet Explorer正式退出。
except urllib.error.HTTPError:
print('urllib.error.HTTPError')
print ("HTTPError錯誤時間 : %s" % time.ctime())
time.sleep(60)
os.system("python pachongcsdn2.py")# 執行命令 重新開啟一個視窗
# 發生異常之後延時重新開始執行下面的語句
except urllib.error.URLError:
print('urllib.error.URLError')
print ("URLError錯誤時間 : %s" % time.ctime())
time.sleep(60)
首先介紹一下 random 模組：
Python中的random模組用於生成隨機數
1. Beautiful Soup的簡介
簡單來說，Beautiful Soup是python的一個庫，最主要的功能是從網頁抓取資料。官方解釋如下：
Beautiful Soup提供一些簡單的、python式的函式用來處理導航、搜尋、修改分析樹等功能。它是一個工具箱，通過解析文件為使用者提供需要抓取的資料，因為簡單，所以不需要多少程式碼就可以寫出一個完整的應用程式。
Beautiful Soup自動將輸入文件轉換為Unicode編碼，輸出文件轉換為utf-8編碼。你不需要考慮編碼方式，除非文件沒有指定一個編碼方式，這時，Beautiful Soup就不能自動識別編碼方式了。然後，你僅僅需要說明一下原始編碼方式就可以了。
Beautiful Soup已成為和lxml、html6lib一樣出色的python直譯器，為使用者靈活地提供不同的解析策略或強勁的速度。
2. Beautiful Soup 安裝
Beautiful Soup 3 目前已經停止開發，推薦在現在的專案中使用Beautiful Soup 4，不過它已經被移植到BS4了，也就是說匯入時我們需要 import bs4 。所以這裡我們用的版本是 Beautiful Soup 4.3.2 (簡稱BS4)，另外據說 BS4 對 Python3 的支援不夠好，不過我用的是 Python2.7.7，如果有小夥伴用的是 Python3 版本，可以考慮下載 BS3 版本。
可以利用 pip 或者 easy_install 來安裝，以下兩種方法均可
| 1 |
easy_install beautifulsoup4 |
| 1 |
pip install beautifulsoup4 |
如果想安裝最新的版本，請直接下載安裝包來手動安裝，也是十分方便的方法。在這裡我安裝的是 Beautiful Soup 4.3.2
Beautiful Soup 3.2.1Beautiful Soup 4.3.2
下載完成之後解壓
執行下面的命令即可完成安裝
| 1 |
sudo python setup.py install |
然後需要安裝 lxml
| 1 |
easy_install lxml |
| 1 |
pip install lxml |
另一個可供選擇的解析器是純Python實現的 html5lib , html5lib的解析方式與瀏覽器相同,可以選擇下列方法來安裝html5lib:
| 1 |
easy_install html5lib |
| 1 |
pip install html5lib |
Beautiful Soup支援Python標準庫中的HTML解析器,還支援一些第三方的解析器，如果我們不安裝它，則 Python 會使用 Python預設的解析器，lxml 解析器更加強大，速度更快，推薦安裝。
<thead”>
| 解析器 | 使用方法 | 優勢 | 劣勢 |
|---|---|---|---|
| Python標準庫 | BeautifulSoup(markup, “html.parser”) |
|
|
| lxml HTML 解析器 | BeautifulSoup(markup, “lxml”) |
|
|
| lxml XML 解析器 | BeautifulSoup(markup, [“lxml”, “xml”])BeautifulSoup(markup, “xml”) |
|
|
| html5lib | BeautifulSoup(markup, “html5lib”) |
|
|
3. 開啟Beautiful Soup 之旅
在這裡先分享官方文件連結，不過內容是有些多，也不夠條理，在此本文章做一下整理方便大家參考。
4. 建立 Beautiful Soup 物件
首先必須要匯入 bs4 庫
| 1 |
from bs4 import BeautifulSoup |
我們建立一個字串，後面的例子我們便會用它來演示
Python
| 1 2 3 4 5 6 7 8 9 10 11 |
html = """ <html><head><title>The Dormouse's story</title></head> <body> <p class="title" name="dromouse"><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> """ |
建立 beautifulsoup 物件
Python
| 1 |
soup = BeautifulSoup(html) |
另外，我們還可以用本地 HTML 檔案來建立物件，例如
| 1 |
soup = BeautifulSoup(open('index.html')) |
上面這句程式碼便是將本地 index.html 檔案開啟，用它來建立 soup 物件
下面我們來列印一下 soup 物件的內容，格式化輸出
| 1 |
print soup.prettify() |
| 1 2 3 4 5 |
<html> <head> <title> The Dormouse's story </title> |
以上便是輸出結果，格式化打印出了它的內容，這個函式經常用到，小夥伴們要記好咯。
5. 四大物件種類
Beautiful Soup將複雜HTML文件轉換成一個複雜的樹形結構,每個節點都是Python物件,所有物件可以歸納為4種:
- Tag
- NavigableString
- BeautifulSoup
- Comment
下面我們進行一一介紹
（1）Tag
Tag 是什麼？通俗點講就是 HTML 中的一個個標籤，例如
| 1 |
<title>The Dormouse's story</title> |
| 1 |
<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a> |
上面的 title a 等等 HTML 標籤加上裡面包括的內容就是 Tag，下面我們來感受一下怎樣用 Beautiful Soup 來方便地獲取 Tags
下面每一段程式碼中註釋部分即為執行結果
| 1 2 |
print soup.title #<title>The Dormouse's story</title> |
| 1 2 |
print soup.head #<head><title>The Dormouse's story</title></head> |
| 1 2 |
print soup.a #<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a> |
| 1 2 |
print soup.p #<p class="title" name="dromouse"><b>The Dormouse's story</b></p> |
我們可以利用 soup加標籤名輕鬆地獲取這些標籤的內容，是不是感覺比正則表示式方便多了？不過有一點是，它查詢的是在所有內容中的第一個符合要求的標籤，如果要查詢所有的標籤，我們在後面進行介紹。
我們可以驗證一下這些物件的型別
| 1 2 |
print type(soup.a) #<class 'bs4.element.Tag'> |
對於 Tag，它有兩個重要的屬性，是 name 和 attrs，下面我們分別來感受一下
name
| 1 2 3 4 |
print soup.name print soup.head.name #[document] #head |
soup 物件本身比較特殊，它的 name 即為 [document]，對於其他內部標籤，輸出的值便為標籤本身的名稱。
attrs
| 1 2 |
print soup.p.attrs #{'class': ['title'], 'name': 'dromouse'} |
在這裡，我們把 p 標籤的所有屬性列印輸出了出來，得到的型別是一個字典。
如果我們想要單獨獲取某個屬性，可以這樣，例如我們獲取它的 class 叫什麼
| 1 2 |
print soup.p['class'] #['title'] |
還可以這樣，利用get方法，傳入屬性的名稱，二者是等價的
| 1 2 |
print soup.p.get('class') #['title'] |
我們可以對這些屬性和內容等等進行修改，例如
| 1 2 3 |
soup.p['class']="newClass" print soup.p #<p class="newClass" name="dromouse"><b>The Dormouse's story</b></p> |
還可以對這個屬性進行刪除，例如
| 1 2 3 |
del soup.p['class'] print soup.p #<p name="dromouse"><b>The Dormouse's story</b></p> |
不過，對於修改刪除的操作，不是我們的主要用途，在此不做詳細介紹了，如果有需要，請檢視前面提供的官方文件
（2）NavigableString
既然我們已經得到了標籤的內容，那麼問題來了，我們要想獲取標籤內部的文字怎麼辦呢？很簡單，用 .string 即可，例如
| 1 2 |
print soup.p.string #The Dormouse's story |
這樣我們就輕鬆獲取到了標籤裡面的內容，想想如果用正則表示式要多麻煩。它的型別是一個 NavigableString，翻譯過來叫 可以遍歷的字串，不過我們最好還是稱它英文名字吧。
來檢查一下它的型別
| 1 2 |
print type(soup.p.string) #<class 'bs4.element.NavigableString'> |
（3）BeautifulSoup
BeautifulSoup 物件表示的是一個文件的全部內容.大部分時候,可以把它當作 Tag 物件，是一個特殊的 Tag，我們可以分別獲取它的型別，名稱，以及屬性來感受一下
| 1 2 3 4 5 6 |
print type(soup.name) #<type 'unicode'> print soup.name # [document] print soup.attrs #{} 空字典 |
（4）Comment
Comment 物件是一個特殊型別的 NavigableString 物件，其實輸出的內容仍然不包括註釋符號，但是如果不好好處理它，可能會對我們的文字處理造成意想不到的麻煩。
我們找一個帶註釋的標籤
| 1 2 3 |
print soup.a print soup.a.string print type(soup.a.string) |
執行結果如下
| 1 2 3 |
<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a> Elsie <class 'bs4.element.Comment'> |
a 標籤裡的內容實際上是註釋，但是如果我們利用 .string 來輸出它的內容，我們發現它已經把註釋符號去掉了，所以這可能會給我們帶來不必要的麻煩。
另外我們列印輸出下它的型別，發現它是一個 Comment 型別，所以，我們在使用前最好做一下判斷，判斷程式碼如下
| 1 2 |
if type(soup.a.string)==bs4.element.Comment: print soup.a.string |
上面的程式碼中，我們首先判斷了它的型別，是否為 Comment 型別，然後再進行其他操作，如列印輸出。
6. 遍歷文件樹
（1）直接子節點
要點：.contents .children 屬性
.contents
tag 的 .content 屬性可以將tag的子節點以列表的方式輸出
| 1 2 |
print soup.head.contents #[<title>The Dormouse's story</title>] |
輸出方式為列表，我們可以用列表索引來獲取它的某一個元素
| 1 2 |
print soup.head.contents[0] #<title>The Dormouse's story</title> |
.children
它返回的不是一個 list，不過我們可以通過遍歷獲取所有子節點。
我們列印輸出 .children 看一下，可以發現它是一個 list 生成器物件
| 1 2 |
print soup.head.children #<listiterator object at 0x7f71457f5710> |
我們怎樣獲得裡面的內容呢？很簡單，遍歷一下就好了，程式碼及結果如下
| 1 2 |
for child in soup.body.children: print child |
| 1 2 3 4 5 |
<p class="title" name="dromouse"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and |
（2）所有子孫節點
知識點：.descendants 屬性
.descendants
.contents 和 .children 屬性僅包含tag的直接子節點，.descendants 屬性可以對所有tag的子孫節點進行遞迴迴圈，和 children類似，我們也需要遍歷獲取其中的內容。
| 1 2 |
for child in soup.descendants: print child |
執行結果如下，可以發現，所有的節點都被打印出來了，先生最外層的 HTML標籤，其次從 head 標籤一個個剝離，以此類推。
| 1 2 3 4 5 |
<html><head><title>The Dormouse's story</title></head> <body> <p class="title" name="dromouse"><b>The Dormouse's story</b></p> <p class="story">Once upon a time there were three little sisters; and their names were <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, |
（3）節點內容
知識點：.string 屬性
如果tag只有一個 NavigableString 型別子節點,那麼這個tag可以使用 .string 得到子節點。如果一個tag僅有一個子節點,那麼這個tag也可以使用 .string 方法,輸出結果與當前唯一子節點的 .string 結果相同。
通俗點說就是：如果一個標籤裡面沒有標籤了，那麼 .string 就會返回標籤裡面的內容。如果標籤裡面只有唯一的一個標籤了，那麼 .string 也會返回最裡面的內容。例如
| 1 2 3 4 |
print soup.head.string #The Dormouse's story print soup.title.string #The Dormouse's story |
如果tag包含了多個子節點,tag就無法確定，string 方法應該呼叫哪個子節點的內容, .string 的輸出結果是 None
| 1 2 |
print soup.html.string # None |
（4）多個內容
知識點： .strings .stripped_strings 屬性
.strings
獲取多個內容，不過需要遍歷獲取，比如下面的例子
| 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 |
for string in soup.strings: print(repr(string)) # u"The Dormouse's story" # u'\n\n' # u"The Dormouse's story" # u'\n\n' # u'Once upon a time there were three little sisters; and their names were\n' # u'Elsie' # u',\n' # u'Lacie' # u' and\n' # u'Tillie' # u';\nand they lived at the bottom of a well.' # u'\n\n' # u'...' # u'\n' |
.stripped_strings
輸出的字串中可能包含了很多空格或空行,使用 .stripped_strings 可以去除多餘空白內容
| 1 2 3 4 5 6 7 8 9 10 11 12 |
for string in soup.stripped_strings: print(repr(string)) # u"The Dormouse's story" # u"The Dormouse's story" # u'Once upon a time there were three little sisters; and their names were' # u'Elsie' # u',' # u'Lacie' # u'and' # u'Tillie' # u';\nand they lived at the bottom of a well.' # u'...' |
（5）父節點
知識點： .parent 屬性
| 1 2 3 |
p = soup.p print p.parent.name #body |
| 1 2 3 |
content = soup.head.title.string print content.parent.name #title |
（6）全部父節點
知識點：.parents 屬性
通過元素的 .parents 屬性可以遞迴得到元素的所有父輩節點，例如
| 1 2 3 |
content = soup.head.title.string for parent in content.parents: print parent.name |
| 1 2 3 4 |
title head html [document] |
（7）兄弟節點
知識點：.next_sibling .previous_sibling 屬性
兄弟節點可以理解為和本節點處在統一級的節點，.next_sibling 屬性獲取了該節點的下一個兄弟節點，.previous_sibling 則與之相反，如果節點不存在，則返回 None
注意：實際文件中的tag的 .next_sibling 和 .previous_sibling 屬性通常是字串或空白，因為空白或者換行也可以被視作一個節點，所以得到的結果可能是空白或者換行
| 1 2 3 4 5 6 7 8 9 10 11 |
print soup.p.next_sibling # 實際該處為空白 print soup.p.prev_sibling #None 沒有前一個兄弟節點，返回 None print soup.p.next_sibling.next_sibling #<p class="story">Once upon a time there were three little sisters; and their names were #<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, #<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> and #<a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>; #and they lived at the bottom of a well.</p> #下一個節點的下一個兄弟節點是我們可以看到的節點 |
（8）全部兄弟節點
知識點：.next_siblings .previous_siblings 屬性
通過 .next_siblings 和 .previous_siblings 屬性可以對當前節點的兄弟節點迭代輸出
| 1 2 3 4 5 6 7 8 |
for sibling in soup.a.next_siblings: print(repr(sibling)) # u',\n' # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a> # u' and\n' # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a> # u'; and they lived at the bottom of a well.' # None |
（9）前後節點
知識點：.next_element .previous_element 屬性
與 .next_sibling .previous_sibling 不同，它並不是針對於兄弟節點，而是在所有節點，不分層次
比如 head 節點為
| 1 |
<head><title>The Dormouse's story</title></head> |
那麼它的下一個節點便是 title，它是不分層次關係的
| 1 2 |
print soup.head.next_element #<title>The Dormouse's story</title> |
（10）所有前後節點
知識點：.next_elements .previous_elements 屬性
通過 .next_elements 和 .previous_elements 的迭代器就可以向前或向後訪問文件的解析內容,就好像文件正在被解析一樣
| 1 2 3 4 5 6 7 8 9 |
for element in last_a_tag.next_elements: print(repr(element)) # u'Tillie' # u';\nand they lived at the bottom of a well.' # u'\n\n' # <p class="story">...</p> # u'...' # u'\n' # None |
以上是遍歷文件樹的基本用法。
7.搜尋文件樹
（1）find_all( name , attrs , recursive , text , **kwargs )
find_all() 方法搜尋當前tag的所有tag子節點,並判斷是否符合過濾器的條件
1）name 引數
name 引數可以查詢所有名字為 name 的tag,字串物件會被自動忽略掉
A.傳字串
最簡單的過濾器是字串.在搜尋方法中傳入一個字串引數,Beautiful Soup會查詢與字串完整匹配的內容,下面的例子用於查詢文件中所有的<b>標籤
| 1 2 |
soup.find_all('b') # [<b>The Dormouse's story</b>] |
| 1 2 |
print soup.find_all('a') #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>] |
B.傳正則表示式
如果傳入正則表示式作為引數,Beautiful Soup會通過正則表示式的 match() 來匹配內容.下面例子中找出所有以b開頭的標籤,這表示<body>和<b>標籤都應該被找到
| 1 2 3 4 5 |
import re for tag in soup.find_all(re.compile("^b")): print(tag.name) # body # b |
C.傳列表
如果傳入列表引數,Beautiful Soup會將與列表中任一元素匹配的內容返回.下面程式碼找到文件中所有<a>標籤和<b>標籤
| 1 2 3 4 5 |
soup.find_all(["a", "b"]) # [<b>The Dormouse's story</b>, # <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>] |
D.傳 True
True 可以匹配任何值,下面程式碼查詢到所有的tag,但是不會返回字串節點
| 1 2 3 4 5 6 7 8 9 10 11 |
for tag in soup.find_all(True): print(tag.name) # html # head # title # body # p # b # p # a # a |
E.傳方法
如果沒有合適過濾器,那麼還可以定義一個方法,方法只接受一個元素引數 [4] ,如果這個方法返回 True 表示當前元素匹配並且被找到,如果不是則反回 False
下面方法校驗了當前元素,如果包含 class 屬性卻不包含 id 屬性,那麼將返回 True:
| 1 2 |
def has_class_but_no_id(tag): return tag.has_attr('class') and not tag.has_attr('id') |
將這個方法作為引數傳入 find_all() 方法,將得到所有<p>標籤:
| 1 2 3 4 |
soup.find_all(has_class_but_no_id) # [<p class="title"><b>The Dormouse's story</b></p>, # <p class="story">Once upon a time there were...</p>, # <p class="story">...</p>] |
2）keyword 引數
注意：如果一個指定名字的引數不是搜尋內建的引數名,搜尋時會把該引數當作指定名字tag的屬性來搜尋,如果包含一個名字為 id 的引數,Beautiful Soup會搜尋每個tag的”id”屬性
| 1 2 |
soup.find_all(id='link2') # [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>] |
如果傳入 href 引數,Beautiful Soup會搜尋每個tag的”href”屬性
| 1 2 |
soup.find_all(href=re.compile("elsie")) # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>] |
使用多個指定名字的引數可以同時過濾tag的多個屬性
| 1 2 |
soup.find_all(href=re.compile("elsie"), id='link1') # [<a class="sister" href="http://example.com/elsie" id="link1">three</a>] |
在這裡我們想用 class 過濾，不過 class 是 python 的關鍵詞，這怎麼辦？加個下劃線就可以
| 1 2 3 4 |
soup.find_all("a", class_="sister") # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>] |
有些tag屬性在搜尋不能使用,比如HTML5中的 data-* 屬性
| 1 2 3 |
data_soup = BeautifulSoup('<div data-foo="value">foo!</div>') data_soup.find_all(data-foo="value") # SyntaxError: keyword can't be an expression |
但是可以通過 find_all() 方法的 attrs 引數定義一個字典引數來搜尋包含特殊屬性的tag
| 1 2 |
data_soup.find_all(attrs={"data-foo": "value"}) # [<div data-foo="value">foo!</div>] |
3）text 引數
通過 text 引數可以搜搜文件中的字串內容.與 name 引數的可選值一樣, text 引數接受 字串 , 正則表示式 , 列表, True
| 1 2 3 4 5 6 7 8 |
soup.find_all(text="Elsie") # [u'Elsie']
soup.find_all(text=["Tillie", "Elsie", "Lacie"]) # [u'Elsie', u'Lacie', u'Tillie']
soup.find_all(text=re.compile("Dormouse")) [u"The Dormouse's story", u"The Dormouse's story"] |
4）limit 引數
find_all() 方法返回全部的搜尋結構,如果文件樹很大那麼搜尋會很慢.如果我們不需要全部結果,可以使用 limit 引數限制返回結果的數量.效果與SQL中的limit關鍵字類似,當搜尋到的結果數量達到 limit 的限制時,就停止搜尋返回結果.
文件樹中有3個tag符合搜尋條件,但結果只返回了2個,因為我們限制了返回數量
| 1 2 3 |
soup.find_all("a", limit=2) # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>] |
5）recursive 引數
呼叫tag的 find_all() 方法時,Beautiful Soup會檢索當前tag的所有子孫節點,如果只想搜尋tag的直接子節點,可以使用引數 recursive=False .
一段簡單的文件:
| 1 2 3 4 5 6 7 |
<html> <head> <title> The Dormouse's story </title> </head> ... |
是否使用 recursive 引數的搜尋結果:
| 1 2 3 4 5 |
soup.html.find_all("title") # [<title>The Dormouse's story</title>]
soup.html.find_all("title", recursive=False) # [] |
（2）find( name , attrs , recursive , text , **kwargs )
它與 find_all() 方法唯一的區別是 find_all() 方法的返回結果是值包含一個元素的列表,而 find() 方法直接返回結果
（3）find_parents() find_parent()
find_all() 和 find() 只搜尋當前節點的所有子節點,孫子節點等. find_parents() 和 find_parent() 用來搜尋當前節點的父輩節點,搜尋方法與普通tag的搜尋方法相同,搜尋文件搜尋文件包含的內容
（4）find_next_siblings() find_next_sibling()
這2個方法通過 .next_siblings 屬性對當 tag 的所有後面解析的兄弟 tag 節點進行迭代, find_next_siblings() 方法返回所有符合條件的後面的兄弟節點,find_next_sibling() 只返回符合條件的後面的第一個tag節點
（5）find_previous_siblings() find_previous_sibling()
這2個方法通過 .previous_siblings 屬性對當前 tag 的前面解析的兄弟 tag 節點進行迭代, find_previous_siblings()方法返回所有符合條件的前面的兄弟節點, find_previous_sibling() 方法返回第一個符合條件的前面的兄弟節點
（6）find_all_next() find_next()
這2個方法通過 .next_elements 屬性對當前 tag 的之後的 tag 和字串進行迭代, find_all_next() 方法返回所有符合條件的節點, find_next() 方法返回第一個符合條件的節點
（7）find_all_previous() 和 find_previous()
這2個方法通過 .previous_elements 屬性對當前節點前面的 tag 和字串進行迭代, find_all_previous() 方法返回所有符合條件的節點, find_previous()方法返回第一個符合條件的節點
注：以上（2）（3）（4）（5）（6）（7）方法引數用法與 find_all() 完全相同，原理均類似，在此不再贅述。
8.CSS選擇器
我們在寫 CSS 時，標籤名不加任何修飾，類名前加點，id名前加 #，在這裡我們也可以利用類似的方法來篩選元素，用到的方法是 soup.select()，返回型別是 list
（1）通過標籤名查詢
| 1 2 |
print soup.select('title') #[<title>The Dormouse's story</title>] |
| 1 2 |
print soup.select('a') #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>] |
| 1 2 |
print soup.select('b') #[<b>The Dormouse's story</b>] |
（2）通過類名查詢
| 1 2 |
print soup.select('.sister') #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>] |
（3）通過 id 名查詢
| 1 2 |
print soup.select('#link1') #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>] |
（4）組合查詢
組合查詢即和寫 class 檔案時，標籤名與類名、id名進行的組合原理是一樣的，例如查詢 p 標籤中，id 等於 link1的內容，二者需要用空格分開
| 1 2 |
print soup.select('p #link1') #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>] |
直接子標籤查詢
| 1 2 |
print soup.select("head > title") #[<title>The Dormouse's story</title>] |
（5）屬性查詢
查詢時還可以加入屬性元素，屬性需要用中括號括起來，注意屬性和標籤屬於同一節點，所以中間不能加空格，否則會無法匹配到。
| 1 2 |
print soup.select('a[class="sister"]') #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>] |
| 1 2 |
print soup.select('a[href="http://example.com/elsie"]') #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>] |
同樣，屬性仍然可以與上述查詢方式組合，不在同一節點的空格隔開，同一節點的不加空格
| 1 2 |
print soup.select('p a[href="http://example.com/elsie"]') #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>] |
以上的 select 方法返回的結果都是列表形式，可以遍歷形式輸出，然後用 get_text() 方法來獲取它的內容。
| 1 2 3 4 5 6 |
soup = BeautifulSoup(html, 'lxml') print type(soup.select('title')) print soup.select('title')[0].get_text()
for title in soup.select('title'): print title.get_text() |
簡述 request 模組
一開始要匯入Requests模組:
>>> import requests
然後，嘗試獲取某個網頁。本例子中，我們來獲取Github的公共時間線
>>> r = requests.get('https://github.com/timeline.json')
現在，我們有一個名為 r 的 Response 物件。可以從這個物件中獲取所有我們想要的資訊。
Requests簡便的API意味著所有HTTP請求型別都是顯而易見的。例如，你可以這樣傳送一個HTTP POST請求:
>>> r = requests.post("http://httpbin.org/post")
漂亮，對吧？那麼其他HTTP請求型別：PUT， DELETE， HEAD以及OPTIONS又是如何的呢？都是一樣的簡單:
>>> r = requests.put("http://httpbin.org/put")
>>> r = requests.delete("http://httpbin.org/delete")
>>> r = requests.head("http://httpbin.org/get")
>>> r = requests.options("http://httpbin.org/get")
都很不錯吧，但這也僅是Requests的冰山一角呢。
為URL傳遞引數
你也許經常想為URL的查詢字串(query string)傳遞某種資料。如果你是手工構建URL，那麼資料會以鍵/值 對的形式置於URL中，跟在一個問號的後面。例如，httpbin.org/get?key=val 。 Requests允許你使用 params 關鍵字引數，以一個字典來提供這些引數。舉例來說，如果你想傳遞 key1=value1 和 key2=value2 到 httpbin.org/get ，那麼你可以使用如下程式碼:
>>> payload = {'key1': 'value1', 'key2': 'value2'}
>>> r = requests.get("http://httpbin.org/get", params=payload)
通過列印輸出該URL，你能看到URL已被正確編碼:
>>> print r.url u'http://httpbin.org/get?key2=value2&key1=value1'
響應內容
我們能讀取伺服器響應的內容。再次以Github時間線為例:
>>> import requests
>>> r = requests.get('https://github.com/timeline.json')
>>> r.text
'[{"repository":{"open_issues":0,"url":"https://github.com/...
Requests會自動解碼來自伺服器的內容。大多數unicode字符集都能被無縫地解碼。
請求發出後，Requests會基於HTTP頭部對響應的編碼作出有根據的推測。當你訪問r.text 之時，Requests會使用其推測的文字編碼。你可以找出Requests使用了什麼編碼，並且能夠使用 r.encoding 屬性來改變它:
>>> r.encoding 'utf-8' >>> r.encoding = 'ISO-8859-1'
如果你改變了編碼，每當你訪問 r.text ，Request都將會使用 r.encoding 的新值。
在你需要的情況下，Requests也可以使用定製的編碼。如果你建立了自己的編碼，並使用codecs 模組進行註冊，你就可以輕鬆地使用這個解碼器名稱作為 r.encoding 的值， 然後由Requests來為你處理編碼。
二進位制響應內容
你也能以位元組的方式訪問請求響應體，對於非文字請求:
>>> r.content
b'[{"repository":{"open_issues":0,"url":"https://github.com/...
Requests會自動為你解碼 gzip 和 deflate 傳輸編碼的響應資料。
例如，以請求返回的二進位制資料建立一張圖片，你可以使用如下程式碼:
>>> from PIL import Image >>> from StringIO import StringIO >>> i = Image.open(StringIO(r.content))
JSON響應內容
Requests中也有一個內建的JSON解碼器，助你處理JSON資料:
>>> import requests
>>> r = requests.get('https://github.com/timeline.json')
>>> r.json()
[{u'repository': {u'open_issues': 0, u'url': 'https://github.com/...
如果JSON解碼失敗， r.json 就會丟擲一個異常。
原始響應內容
在罕見的情況下你可能想獲取來自伺服器的原始套接字響應，那麼你可以訪問 r.raw 。 如果你確實想這麼幹，那請你確保在初始請求中設定了 stream=True 。具體的你可以這麼做:
>>> r = requests.get('https://github.com/timeline.json', stream=True)
>>> r.raw
<requests.packages.urllib3.response.HTTPResponse object at 0x101194810>
>>> r.raw.read(10)
'\x1f\x8b\x08\x00\x00\x00\x00\x00\x00\x03'
定製請求頭
如果你想為請求新增HTTP頭部，只要簡單地傳遞一個 dict 給 headers 引數就可以了。
例如，在前一個示例中我們沒有指定content-type:
>>> import json
>>> url = 'https://api.github.com/some/endpoint'
>>> payload = {'some': 'data'}
>>> headers = {'content-type': 'application/json'}
>>> r = requests.post(url, data=json.dumps(payload), headers=headers)
更加複雜的POST請求
通常，你想要傳送一些編碼為表單形式的資料—非常像一個HTML表單。 要實現這個，只需簡單地傳遞一個字典給 data 引數。你的資料字典 在發出請求時會自動編碼為表單形式:
>>> payload = {'key1': 'value1', 'key2': 'value2'}
>>> r = requests.post("http://httpbin.org/post", data=payload)
>>> print r.text
{
...
"form": {
"key2": "value2",
"key1": "value1"
},
...
}
很多時候你想要傳送的資料並非編碼為表單形式的。如果你傳遞一個 string 而不是一個dict ，那麼資料會被直接釋出出去。
例如，Github API v3接受編碼為JSON的POST/PATCH資料:
>>> import json
>>> url = 'https://api.github.com/some/endpoint'
>>> payload = {'some': 'data'}
>>> r = requests.post(url, data=json.dumps(payload))
POST一個多部分編碼(Multipart-Encoded)的檔案
Requests使得上傳多部分編碼檔案變得很簡單:
>>> url = 'http://httpbin.org/post'
>>> files = {'file': open('report.xls', 'rb')}
>>> r = requests.post(url, files=files)
>>> r.text
{
...
"files": {
"file": "<censored...binary...data>"
},
...
}
你可以顯式地設定檔名:
>>> url = 'http://httpbin.org/post'
>>> files = {'file': ('report.xls', open('report.xls', 'rb'))}
>>> r = requests.post(url, files=files)
>>> r.text
{
...
"files": {
"file": "<censored...binary...data>"
},
...
}
如果你想，你也可以傳送作為檔案來接收的字串:
>>> url = 'http://httpbin.org/post'
>>> files = {'file': ('report.csv', 'some,data,to,send\nanother,row,to,send\n')}
>>> r = requests.post(url, files=files)
>>> r.text
{
...
"files": {
"file": "some,data,to,send\\nanother,row,to,send\\n"
},
...
}
響應狀態碼
我們可以檢測響應狀態碼:
>>> r = requests.get('http://httpbin.org/get')
>>> r.status_code
200
為方便引用，Requests還附帶了一個內建的狀態碼查詢物件:
>>> r.status_code == requests.codes.ok True
如果傳送了一個失敗請求(非200響應)，我們可以通過 Response.raise_for_status() 來丟擲異常:
>>> bad_r = requests.get('http://httpbin.org/status/4