importre

defgetTags(html):
reg=r'([\s\S]+?)'
pattern=re.compile(reg)
tags=re.findall(pattern,html)
returntags

不过正则表达式仍有缺点，例如'([\s\S]+?)'括号中的问号表示非贪婪匹配，正常情况下可以匹配到所需要的内容，但如果class="result_info"的div中还嵌套了子的div，那么正则表达式的后半部分""将会匹配子div的结尾部分，而不是希望的父div.

假如有这样一个html：

someparagraphtest1

someparagraphtest2


somecontentsinsubdiv

backendcontenthere

那么backendcontentshere这段内容将会匹配不到，正则表达式将会将id为div_sub的作为结尾。

3）使用第三方库，比如BeautifulSoup，优点是准确，缺点是速度会比字符串切分、正则表达式慢，下面说说BeautifulSoup的用法。

按照BeautifulSoup官方文档的说明怎么都不能成功，后来在百度知道（http://zhidao.baidu.com/question/433247968620775644.html）找到答案，真是扯淡，附上有效代码：

soup=BeautifulSoup(html)
printsoup.find_all(name='div',attrs={"class":"footer"})#按照字典的形式给attrs参数赋值

完整的：

frombs4importBeautifulSoup
importurllib2

defgetTargetDiv(url,myAttrs):
html=urllib2.urlopen(url).read()
soup=BeautifulSoup(html)
returnsoup.find_all(name='div',attrs=myAttrs)

if__name__=="__main__":
url=r'http://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/'
myAttrs={'class':'footer'}
printgetTargetDiv(url,myAttrs)

按照官方文档(http://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/)的做法：

#1.soup.find_all("a",class_="sister")
#2.css_soup.find_all("p",class_="body")
#3.soup.find_all(href=re.compile("elsie"))

改成

soup.find_all(name='div',class_=re.compile('info_item'))

或者

soup.find_all('div',class_='info_item')

都没有匹配结果，经测试需要soup.find_all(name='div',attrs={"class":"footer"})这样以字典的形式给attrs参数赋值才可以。

另一个例子，获取指定样式的div内的所有图片url，并下载保存:

urls=[]
forimginsoup.find('div',attrs={'class':'wrap'}).find_all('img'):#找到class="wrap"的div里面的所有标签
urls.append(img.attrs['src'])#获取img标签的src属性，即图片网址

i=0
savedir=r'C:\Users\hp\Desktop\Images'#路径中不能包含中文
forurlinurls:
urllib.urlretrieve(url,'%s\%s.jpg'%(savedir,i))
i+=1
print'Done'

更多用法，可参考：https://www.nhooo.com/article/184386.htm

到此这篇关于BeautifulSoup获取指定class样式的div的实现的文章就介绍到这了,更多相关BeautifulSoup获取class样式的div内容请搜索毛票票以前的文章或继续浏览下面的相关文章希望大家以后多多支持毛票票！

• 返回顶部
• 514930285
• czq8825@qq.com