python爬蟲中html轉換樹形結構的示例

這篇文章將為大家詳細講解有關python爬蟲中html轉換樹形結構的示例，小編覺得挺實用的，因此分享給大家做個參考，希望大家閱讀完這篇文章后可以有所收獲。

BeautifulSoup就是一個專門用來從html和xml文檔中提取數據的庫，現在的版本是bs4。除了BeautifulSoup之外，python還具有一些其它的庫，如HTMLParser等，作用都差不多。解析器結合正則表達式，很容易將我們所需要的內容提取出來。

首先安裝BeautifulSoup：

$pip install beautifulsoup4

在python環境下導入字符串，創建BeautifulSoup對象：

from bs4 import BeautifulSoup
soup = BeautifulSoup(html_str, 'lxml', from_encoding='utf-8')

• BeautifulSoup可以將復雜的html文檔轉化成樹形結構，每個節點都是pyhton對象，所有的對象可以歸納為4種：
  

• Tag

• NavigableString

• BeautifulSoup

• Comment

HtmlParser將要接收一個字符串，輸出data和新采集到的一些urls。之前寫過的add_new_urls()函數接受一個可迭代對象，所以這里新的urls我們采用集合的形式（也可采用列表的形式）返回，data采用字典的形式存儲并返回。

此外，我們觀察到，詞條內容中含有的鏈接為"/item/..."的形式，這并不是一個完整的url，要在前面加上“https://baike.baidu.com”進行補全，利用urlparse模塊可以很方便地完成這個任務（當然也可以使用拼接字符串的方式）。

下面就是HtmlParser的完整代碼：

'''
-----------------------------------------------------------------
HtmlParser
'''
import re    #正則表達式模塊
import urlparse    #用來拼接url
from bs4 import BeautifulSoup
 
class HtmlParser(object):
    def parser(self, page_url, html_cont):
        '''
        解析器主函數
        parm page_url:一個url
        parm html_cont:網頁內容，格式為字符串
        return: urls, 數據；格式為 set, dict
        '''
        if page_url is None or html_cont is None:
            print "page_url is None"
            return
        #建立bs對象，使用html.parser進行解析
        soup = BeautifulSoup(html_cont, 'html.parser', from_encoding='urf-8')
        print "soup established"
        #接下來分別調用兩個私有函數返回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):
        '''
        從頁面中抽取指向其他詞條的鏈接
        parm page_url: 當前頁面url
        parm soup: beautifulsoup對象
        return: 新url的set
        '''
        new_urls = set()
        #根據正則表達式規則對頁面內的鏈接進行篩選，留下想要的鏈接
        links = soup.find_all('a', href=re.compile(r'/item/.+'))
        for link in links:
            #每個link都是Tag對象，Tag對象的操作方法與字典相同
            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):
        '''
        提取想要的數據
        parm page_url: 當前頁面url
        parm soup: beautifulsoup對象
        return: dict
        '''
        #聲明字典
        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

關于python爬蟲中html轉換樹形結構的示例就分享到這里了，希望以上內容可以對大家有一定的幫助，可以學到更多知識。如果覺得文章不錯，可以把它分享出去讓更多的人看到。