python 页面信息抓取

1. 特点

　　在python 解析html这篇文章中已经做了初步的介绍，接下来再坐进一步的说明。python抓取页面信息有以下两个特点：
　　

• 依赖于HTML的架构。

• 微小的变化可能会导致抓取失败，这取决于你编码的技巧。

2. 抓取示例

　　首先看一下百度视频网页的源代码，大致浏览下，选定要抓取的网页元素。
　　
　　
　　假设我们要对div标签id为focusCarouselList里的相关内容进行提取。首先进入python命令行环境，先按照以下代码打开网页并读取内容。
　　

>>>
>>> import urllib
>>> from bs4 import BeautifulSoup
>>>
>>> httpRespone = urllib.urlopen(“http://video.baidu.com“)
>>>
>>> httpRespone.code
200
>>>

　　将页面信息读入到html的一个变量中：html = httpRespone.read()。
　　使用BeautifulSoup解析这个页面：bs = BeautifulSoup(html,"lxml")。
　　查找id为ocusCarouselList的div标签：focusList = bs.find(‘div‘,id=‘focusCarouselList‘)。
　　
　　
　　
　　在focusList中查找这一div中所有的超链接：allLinks = focusList.find_all(‘a‘)。
　　可用allLinks[0]直接访问第一个链接的内容：
　　
　　
　　如果要在这些超链接中查找标题为“协警押送嫌犯遭其同伙袭击”，可用下面代码：
　　videoLink1 = bs.find(‘a‘,{‘title‘:‘协警押送嫌犯遭其同伙袭击‘})
　　
　　
　　videoLink1[‘href’]可以直接获取到链接的地址。
　　
　　查找所有图片的标签：imgLinks = focusList.find_all(‘img‘)。
　　获取某个图片链接的源地址：imgLinks[0][‘src‘]