发布于 2016-02-01 08:18:50 | 168 次阅读 | 评论: 0 | 来源: 网友投递
Beautiful Soup Python的HTML解析器
Beautiful Soup 库是一个非常神奇的 “粗糙的解析器”，用于解析实际 Web 页面中包含的有效 HTML。
这篇文章主要介绍了Python的爬虫包Beautiful Soup中用正则表达式来搜索的技巧,包括使用正则表达式去搜索多种可能的关键字以及查找属性值未知的标签等,需要的朋友可以参考下
Beautiful Soup使用时，一般可以通过指定对应的name和attrs去搜索，特定的名字和属性，以找到所需要的部分的html代码。
但是，有时候，会遇到，对于要处理的内容中，其name或attr的值，有多种可能，尤其是符合某一规律，此时，就无法写成固定的值了。
所以，就可以借助正则表达式来解决此问题。
比如，
<div class="icon_col">
<h1 class="h1user">crifan</h1>
</div>
对应的BeautifulSoup代码如下：
h1userSoup = soup.find(name="h1", attrs={"class":"h1user"});
而如果html是这种：
<div class="icon_col">
<h1 class="h1user">crifan</h1>
<h1 class="h1user test1">crifan 123</h1>
<h1 class="h1user test2">crifan 456</h1>
</div>
那么想要一次性地找到所有的，符合条件的h1的部分的代码，则之前的写法，就只能找到单个的class="h1user"的部分，剩下的两个
class="h1user test1"
和
class="h1user test2"
就找不到了。
那么，此时，就可以用到，BeautifulSoup中非常好用的，非常强大的功能：
attrs中支持正则表达式的写法
了。
就可以写成：
h1userSoupList = soup.findAll(name="h1", attrs={"class":re.compile(r"h1user(\s\w+)?")});
就可以一次性地，找到：
class="h1user"
class="h1user test1"
class="h1user test2"
了。
<div aria-lable="xxx">
想要查找到对应的此div标签，之前不知道如何实现。
如果写成：
sopu.findAll("div", attrs={"aria-lable": "xxx"});
则xxx必须写出来，如果不写出来属性值，也就没法用上attrs了，就没法实现此处查找特性属性值的标签了。
所以针对：
<div aria-label="5星, 747 份评分" class="rating" role="img" tabindex="-1">
<div>
<span class="rating-star">
</span>
<span class="rating-star">
</span>
<span class="rating-star">
</span>
<span class="rating-star">
</span>
<span class="rating-star">
</span>
</div>
<span class="rating-count">
747 份评分
</span>
</div>
可以通过：
soup.findAll("div", attrs={"aria-lable": True});
去查找到属性包含aria-lable的div标签的。
所以，对于上面的，之前不知道如何处理：
用BeautifulSoup查找未知属性值，但是已知属性的名字的标签
则此处，就可以针对：
<div aria-lable="xxx">
去用：
sopu.findAll("div", attrs={"aria-lable": True});
就可以查找到对应的包含属性aria-lable的div标签了。