beautifulsoup学习-抓取页面并解析

标签：python.bs3

以汽车之家为例子，抓取页面并进行解析

# -*- coding=utf-8 -*-


import urllib2
from BeautifulSoup import BeautifulSoup as bs3
import json
import codecs

#字符检测，用来检测其真实的编码格式
import chardet

#save content to file
def save_to_file(filename, content):
	f = open(filename, 'w+')
	assert(f)
	f.write(content)
	f.close()
	
def parse_json_data(content):
	print(chardet.detect(content[0]))
	
	name_list = ['keyLink', 'config', 'option','color', 'innerColor']
	print(json.dumps(content[0].decode('GB2312')))

def parse_content(content):
	#content是GB2312的编码
	soup = bs3(content)
	
	key_text = 'var levelId'
	elem_lib = soup.find('script', text=lambda(x):key_text in x)
	
	#str_script是utf-8的编码
	str_script = str(elem_lib.string)
	
	#print(chardet.detect(str_script))
	
	#由于命令行是cp936 GBK的编码，如果编码不符合无法打印
	strGBK = str_script.decode('utf-8').encode('gb2312')
	#print(strGBK)
	
	#移除html的转义字符 
	strGBK = strGBK.replace(' ','')
	
	d = strGBK.splitlines()
	list_data = []
	
	for i in d:
		if i.isspace():
			continue
		
		#过滤不需要的变量
		if len(i) < 100:
			continue
		
		#取出json数据
		idx = i.find('{')
		if idx == -1:
			continue
		
		#移除最后的;
		k = i[idx:-1]
		list_data.append(k)
	
	parse_json_data(list_data)
	
	'''
	print('json.count=', len(list_data))
	for i in list_data:
		if len(i) > 200:
			print(i[0:200])
		else:
			print(i)
	
	parse_json_data(list_data)
	'''
	
	#不能再函数中直接使用exec，但是可以使用eval
	'''
	strSentece = ''
	for i in d:
		if i.isspace():
			continue
		
		if 'null' in j:
			continue
		
		#移除var的类型定义,javascript需要,python不需要
		j = i[4:]
		
		strSentece += i
	
	#可以直接在python中执行json的赋值语句，类似dict赋值
	exec(strSentece)
	
	#输出变量数据
	var_list = ['keyLink', 'config','option','color','innerColor']
	for i in var_list:
		exec('print %s' % (i,))
	'''
	
	
def crawler_4_autohome():
	autohome_url = 'http://car.autohome.com.cn/config/series/657.html'
	
	#uft-8
	content = urllib2.urlopen(url=autohome_url).read()
	#print(chardet.detect(content))
	parse_content(content)
	
	
if __name__ == '__main__':
	crawler_4_autohome()
	
	
	
	
	
	

beautifulsoup学习-抓取页面并解析

标签：python.bs3

原文地址：http://blog.csdn.net/davidsu33/article/details/43817979