python爬虫中html转换树形结构的示例-创新互联
这篇文章将为大家详细讲解有关python爬虫中html转换树形结构的示例，小编觉得挺实用的，因此分享给大家做个参考，希望大家阅读完这篇文章后可以有所收获。
BeautifulSoup就是一个专门用来从html和xml文档中提取数据的库，现在的版本是bs4。除了BeautifulSoup之外，python还具有一些其它的库，如HTMLParser等，作用都差不多。解析器结合正则表达式，很容易将我们所需要的内容提取出来。
首先安装BeautifulSoup：
$pip install beautifulsoup4
在python环境下导入字符串，创建BeautifulSoup对象：
from bs4 import BeautifulSoup soup = BeautifulSoup(html_str, 'lxml', from_encoding='utf-8')
BeautifulSoup可以将复杂的html文档转化成树形结构，每个节点都是pyhton对象，所有的对象可以归纳为4种：
Tag
NavigableString
BeautifulSoup
Comment
HtmlParser将要接收一个字符串，输出data和新采集到的一些urls。之前写过的add_new_urls()函数接受一个可迭代对象，所以这里新的urls我们采用集合的形式（也可采用列表的形式）返回，data采用字典的形式存储并返回。
此外，我们观察到，词条内容中含有的链接为"/item/..."的形式，这并不是一个完整的url，要在前面加上“https://baike.baidu.com”进行补全，利用urlparse模块可以很方便地完成这个任务（当然也可以使用拼接字符串的方式）。
下面就是HtmlParser的完整代码：
'''
-----------------------------------------------------------------
HtmlParser
'''
import re #正则表达式模块
import urlparse #用来拼接url
from bs4 import BeautifulSoup
class HtmlParser(object):
def parser(self, page_url, html_cont):
'''
解析器主函数
parm page_url:一个url
parm html_cont:网页内容，格式为字符串
return: urls, 数据；格式为 set, dict
'''
if page_url is None or html_cont is None:
print "page_url is None"
return
#建立bs对象，使用html.parser进行解析
soup = BeautifulSoup(html_cont, 'html.parser', from_encoding='urf-8')
print "soup established"
#接下来分别调用两个私有函数返回urls和data
new_urls = self._get_new_urls(page_url, soup)
print "new_urls get"
new_data = self._get_new_data(page_url, soup)
print "new_data get"
return new_urls, new_data
def _get_new_urls(self, page_url, soup):
'''
从页面中抽取指向其他词条的链接
parm page_url: 当前页面url
parm soup: beautifulsoup对象
return: 新url的set
'''
new_urls = set()
#根据正则表达式规则对页面内的链接进行筛选，留下想要的链接
links = soup.find_all('a', href=re.compile(r'/item/.+'))
for link in links:
#每个link都是Tag对象，Tag对象的操作方法与字典相同
new_url = link['href']
#借助urljoin，可以很方便地拼接url
new_full_url = urlparse.urljoin(page_url, new_url)
new_urls.add(new_full_url)
return new_urls
def _get_new_data(self, page_url, soup):
'''
提取想要的数据
parm page_url: 当前页面url
parm soup: beautifulsoup对象
return: dict
'''
#声明字典
data = {}
data['url'] = page_url
data['title'] = soup.find('dd', class_='lemmaWgt-lemmaTitle-title').find('h2').get_text()
data['summary'] = soup.find('div', class_='lemma-summary').get_text()
return data关于python爬虫中html转换树形结构的示例就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。
网站名称：python爬虫中html转换树形结构的示例-创新互联
文章来源：http://6mz.cn/article/hhicc.html