python学习

Python 基础

python 是一门比较流行的高级编程语言， 是一门解释型语言

• 解释型
  解释性语言通常把源程序编译成中间代码，然后用解释器把中间代码一条条翻译成目标机器代码，一条条执行。

  Python的工作过程：先把代码编译成字节码，在对字节码解释执行。字节码在python虚拟机程序里对应的是PyCodeObject对象，pyc文件是字节码在磁盘上的表现形式。

• 编译型
  编译性语言写的程序在被执行之前，需要一个专门的编译过程，把程序编译成为机器语言的文件，比如exe文件，以后要运行的话就不用重新翻译了，直接使用编译的结果就行了（exe文件），因为翻译只做了一次，运行时不需要翻译，所以编译型语言的程序执行效率高

  Java则是编译型语言。编译为字节码文件(.class)，然后会经jvm平台编译为目标机器代码

• 字节码 易跨平台迁移

• 机器码 运行快速

Python 简明约定

• 编码
  • 通常使用 UDF-8 编码
  • Python2 遗留的习惯， 文件头部加入 # -*- coding=utf-8 -*-

• 代码格式

  • 缩进
    一般使用四个空格进行缩进(javascript 规范为 2 个空格)
  • 行宽
    每行代码一般不应过长，太长可能是设计有缺陷
  • 引号
    单引号和双引号都可以用来表示一个字符串
    一般字典 key 使用单引号

  • 空行
    模块级函数和类定义之间空两行；
    类成员函数之间空一行；

    class A:
    
        def __init__(self):
            pass
    
        def hello(self):
            pass
    
    def main():
        pass

• import 语句
  import 语句应该分行书写

  # 正确的写法
  import os
  import sys
  
  # 不推荐的写法
  import sys,os
  
  # 正确的写法
  from subprocess import Popen, PIPE

  import 语句应该使用 absolute import

  # 正确的写法
  from foo.bar import Bar
  
  # 不推荐的写法
  from ..bar import Bar

• 空格
  运算符前后空格

  # 正确的写法
  i = i + 1
  submitted += 1
  x = x * 2 - 1
  hypot2 = x * x + y * y
  c = (a + b) * (a - b)
  
  # 不推荐的写法
  i=i+1
  submitted +=1
  x = x*2 - 1
  hypot2 = x*x + y*y
  c = (a+b) * (a-b)

• 换行
  使用反斜杠\换行，二元运算符+ .等应出现在行末；长字符串也可以用此法换行

  session.query(MyTable).\
      filter_by(id=1).\
      one()
  
  print 'Hello, '\
      '%s %s!' %\
      ('Harry', 'Potter')

• docstring(文档注释)
  一般公共模块、函数、类、方法，都应该写 docstring

• 注释

  • “#”号后空一格，段落件用空行分开

    # 块注释
    # 块注释
    #
    # 块注释
    # 块注释

  • 文档注释 文档注释以 “”” 开头和结尾, 首行不换行, 如有多行, 末行必需换行

    # -*- coding: utf-8 -*-
    """Example docstrings.
    
    This module demonstrates documentation as specified by the `Google Python
    Style Guide`_. Docstrings may extend over multiple lines. Sections are created
    with a section header and a colon followed by a block of indented text.
    
    Example:
        Examples can be given using either the ``Example`` or ``Examples``
        sections. Sections support any reStructuredText formatting, including
        literal blocks::
    
            $ python example_google.py
    
    Section breaks are created by resuming unindented text. Section breaks
    are also implicitly created anytime a new section starts.
    """

• 命名规范

  • 模块
    模块名一般小写

    # 正确的模块名
    import decoder
    import html_parser
    
    # 不推荐的模块名
    import Decoder

  • 类名
    类名使用驼峰(CamelCase)命名风格，首字母大写，私有类可用一个下划线开头

    class Farm():
        pass
    
    class AnimalFarm(Farm):
        pass
    
    class _PrivateFarm(Farm):
        pass

    将相关的类和顶级函数放在同一个模块里. 不像 Java, 没必要限制一个类一个模块.

  • 函数
    函数名一律小写，如有多个单词，用下划线隔开

    def run():
        pass
    
    def run_with_env():
        pass

  • 变量名
    变量名尽量小写, 如有多个单词，用下划线隔开

    if __name__ == '__main__':
        count = 0
        school_name = ''

  • 常量
    常量采用全大写，如有多个单词，使用下划线隔开

    MAX_CLIENT = 100
    MAX_CONNECTION = 1000
    CONNECTION_TIMEOUT = 600

数据类型

• Numbers（数字）
  • int（有符号整型）
  • long（长整型[也可以代表八进制和十六进制]）
  • float（浮点型）
  • complex（复数）
• String（字符串）
• List（列表）
• Tuple（元组）
• Dictionary（字典）

语法结构

• 逻辑运算符

  以下假设变量 a 为 10, b为 20:

运算符	逻辑表达式	描述	实例
and	x and y	布尔”与” - 如果 x 为 False，x and y 返回 False，否则它返回 y 的计算值。	(a and b) 返回 20。
or	x or y	布尔”或” - 如果 x 是非 0，它返回 x 的值，否则它返回 y 的计算值。	(a or b) 返回 10。
not	not x	布尔”非” - 如果 x 为 True，返回 False 。如果 x 为 False，它返回 True。	not(a and b) 返回 False

• 成员运算符

运算符	描述	实例
in	如果在指定的序列中找到值返回True，否则返回False。	x 在 y序列中 , 如果x在y序列中返回True。
not in	如果在指定的序列中没有找到值返回True，否则返回False。	x 不在 y序列中 , 如果x不在y序列中返回True

• 身份运算符

  身份运算符用于比较两个对象的存储单元

运算符	描述	实例
is	is是判断两个标识符是不是引用自一个对象	x is y, 如果 id(x) 等于 id(y) , is 返回结果 1
is not	is not是判断两个标识符是不是引用自不同对象	x is not y, 如果 id(x) 不等于 id(y). is not 返回结果 1

• if
  分支语句，在python中没有switch语句
• for
  循环语句
  for x in Array : do
• while
  特殊的是可以在最后添加else语句

变量、函数定义

变量直接定义

a = 3
b = 2

函数定义使用def关键字，函数作用域使用缩进表示

def fun():
    pass

函数的参数可以赋以默认值，所以python中不需要函数重载

def fun(param1="value1",param2="value2"):
    print("params is {} and {}".format(param1,param2))


fun(param2="传入的参数2")

fun("传入参数一","传入参数二")

Python 简单爬虫基础

• python 网络库 urllib
  urllib 是 python 内置的 http 请求库，内置的主要是以下几个模块：

  urllib.request :请求模块
  urllib.error :异常处理模块
  urllib.parse :url解析模块
  urllib.robotparer :robot.txt解析模块
  

  import urllib.request
  response = urllib.request.urlopen('http://www.baidu.com')
  # response得到的是网页的内容，bytes类型的数据，需要用utf-8转为字符串格式
  print(response.read().decode('utf-8'))

  import urllib.parse
  import urllib.request
  # 传入的data参数需要bytes类型
  data = bytes(urllib.parse.urlencode({'word': 'hello'}), encoding='utf8')
  response = urllib.request.urlopen('http://httpbin.org/post', data=data)
  print(response.read())

  import urllib.request
  import urllib.parse
  import urllib.error
  import socket
  
  #url = 'https://python.org/'
  url = 'http://httbin.org/post'
  
  data = bytes(urllib.parse.urlencode({'hello':'world'}),encoding = 'utf8')
  
  headers = {"User-Agent":"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36"}
  
  req = urllib.request.Request(url,headers = headers,data = data,method = 'POST')
  try:
      res = urllib.request.urlopen(req,timeout = 1)
      print(res.read().decode('utf-8'))
      print('OJBK')
  except urllib.error.URLError as e:
      if isinstance(e.reason,socket.timeout):
          print('TIMEOUT')

Python 网络库 requests

发送请求
使用 Requests 发送网络请求非常简单。

一开始要导入 Requests 模块：

>>> import requests
>>> 然后，尝试获取某个网页。本例子中，我们来获取 Github 的公共时间线：

>>> r = requests.get('https://api.github.com/events')
>>> 现在，我们有一个名为 r 的 Response 对象。我们可以从这个对象中获取所有我们想要的信息。

Requests 简便的 API 意味着所有 HTTP 请求类型都是显而易见的。例如，你可以这样发送一个 HTTP POST 请求：

>>> r = requests.post('http://httpbin.org/post', data = {'key':'value'})
>>> 漂亮，对吧？那么其他 HTTP 请求类型：PUT，DELETE，HEAD 以及 OPTIONS 又是如何的呢？都是一样的简单：

>>> r = requests.put('http://httpbin.org/put', data = {'key':'value'})
>>> r = requests.delete('http://httpbin.org/delete')
>>> r = requests.head('http://httpbin.org/get')
>>> r = requests.options('http://httpbin.org/get')
>>> 都很不错吧，但这也仅是 Requests 的冰山一角呢。

传递 URL 参数
你也许经常想为 URL 的查询字符串(query string)传递某种数据。如果你是手工构建 URL，那么数据会以键/值对的形式置于 URL 中，跟在一个问号的后面。例如， httpbin.org/get?key=val。 Requests 允许你使用 params 关键字参数，以一个字符串字典来提供这些参数。举例来说，如果你想传递 key1=value1 和 key2=value2 到 httpbin.org/get ，那么你可以使用如下代码：

>>> payload = {'key1': 'value1', 'key2': 'value2'}
>>> r = requests.get("http://httpbin.org/get", params=payload)
>>> 通过打印输出该 URL，你能看到 URL 已被正确编码：

>>> print(r.url)
>>> http://httpbin.org/get?key2=value2&key1=value1
>>> 注意字典里值为 None 的键都不会被添加到 URL 的查询字符串里。

你还可以将一个列表作为值传入：

>>> payload = {'key1': 'value1', 'key2': ['value2', 'value3']}

>>> r = requests.get('http://httpbin.org/get', params=payload)
>>> print(r.url)
>>> http://httpbin.org/get?key1=value1&key2=value2&key2=value3
>>> 响应内容
>>> 我们能读取服务器响应的内容。再次以 GitHub 时间线为例：

>>> import requests
>>> r = requests.get('https://api.github.com/events')
>>> r.text
>>> u'[{"repository":{"open_issues":0,"url":"https://github.com/...
>>> Requests 会自动解码来自服务器的内容。大多数 unicode 字符集都能被无缝地解码。

请求发出后，Requests 会基于 HTTP 头部对响应的编码作出有根据的推测。当你访问 r.text 之时，Requests 会使用其推测的文本编码。你可以找出 Requests 使用了什么编码，并且能够使用 r.encoding 属性来改变它：

>>> r.encoding
>>> 'utf-8'
>>> r.encoding = 'ISO-8859-1'
>>> 如果你改变了编码，每当你访问 r.text ，Request 都将会使用 r.encoding 的新值。你可能希望在使用特殊逻辑计算出文本的编码的情况下来修改编码。比如 HTTP 和 XML 自身可以指定编码。这样的话，你应该使用 r.content 来找到编码，然后设置 r.encoding 为相应的编码。这样就能使用正确的编码解析 r.text 了。

在你需要的情况下，Requests 也可以使用定制的编码。如果你创建了自己的编码，并使用 codecs 模块进行注册，你就可以轻松地使用这个解码器名称作为 r.encoding 的值， 然后由 Requests 来为你处理编码。

二进制响应内容
你也能以字节的方式访问请求响应体，对于非文本请求：

>>> r.content
>>> b'[{"repository":{"open_issues":0,"url":"https://github.com/...
>>> Requests 会自动为你解码 gzip 和 deflate 传输编码的响应数据。

例如，以请求返回的二进制数据创建一张图片，你可以使用如下代码：

>>> from PIL import Image
>>> from io import BytesIO

>>> i = Image.open(BytesIO(r.content))
>>> JSON 响应内容
>>> Requests 中也有一个内置的 JSON 解码器，助你处理 JSON 数据：

>>> import requests

>>> r = requests.get('https://api.github.com/events')
>>> r.json()
>>> [{u'repository': {u'open_issues': 0, u'url': 'https://github.com/...
>>> 如果 JSON 解码失败， r.json() 就会抛出一个异常。例如，响应内容是 401 (Unauthorized)，尝试访问 r.json() 将会抛出 ValueError: No JSON object could be decoded 异常。

需要注意的是，成功调用 r.json() 并不意味着响应的成功。有的服务器会在失败的响应中包含一个 JSON 对象（比如 HTTP 500 的错误细节）。这种 JSON 会被解码返回。要检查请求是否成功，请使用 r.raise_for_status() 或者检查 r.status_code 是否和你的期望相同。

原始响应内容
在罕见的情况下，你可能想获取来自服务器的原始套接字响应，那么你可以访问 r.raw。 如果你确实想这么干，那请你确保在初始请求中设置了 stream=True。具体你可以这么做：

>>> r = requests.get('https://api.github.com/events', stream=True)
>>> r.raw
>>> <requests.packages.urllib3.response.HTTPResponse object at 0x101194810>
>>> r.raw.read(10)
>>> '\x1f\x8b\x08\x00\x00\x00\x00\x00\x00\x03'
>>> 但一般情况下，你应该以下面的模式将文本流保存到文件：

with open(filename, 'wb') as fd:
  for chunk in r.iter_content(chunk_size):
    fd.write(chunk)

使用 Response.iter_content 将会处理大量你直接使用 Response.raw 不得不处理的。 当流下载时，上面是优先推荐的获取内容方式。 Note that chunk_size can be freely adjusted to a number that may better fit your use cases.

定制请求头
如果你想为请求添加 HTTP 头部，只要简单地传递一个 dict 给 headers 参数就可以了。

例如，在前一个示例中我们没有指定 content-type:

>>> url = 'https://api.github.com/some/endpoint'
>>> headers = {'user-agent': 'my-app/0.0.1'}

>>> r = requests.get(url, headers=headers)
>>> 注意: 定制 header 的优先级低于某些特定的信息源，

如果在 .netrc 中设置了用户认证信息，使用 headers= 设置的授权就不会生效。而如果设置了 auth= 参数，.netrc 的设置就无效了。
如果被重定向到别的主机，授权 header 就会被删除。
代理授权 header 会被 URL 中提供的代理身份覆盖掉。
在我们能判断内容长度的情况下，header 的 Content-Length 会被改写。
更进一步讲，Requests 不会基于定制 header 的具体情况改变自己的行为。只不过在最后的请求中，所有的 header 信息都会被传递进去。

注意: 所有的 header 值必须是 string、bytestring 或者 unicode。尽管传递 unicode header 也是允许的，但不建议这样做。

更加复杂的 POST 请求
通常，你想要发送一些编码为表单形式的数据——非常像一个 HTML 表单。要实现这个，只需简单地传递一个字典给 data 参数。你的数据字典在发出请求时会自动编码为表单形式：

>>> payload = {'key1': 'value1', 'key2': 'value2'}

>>> r = requests.post("http://httpbin.org/post", data=payload)
>>> print(r.text)
>>> {
>>> ...
>>> "form": {

    "key2": "value2",
    "key1": "value1"

},
...
}

你还可以为 data 参数传入一个元组列表。在表单中多个元素使用同一 key 的时候，这种方式尤其有效：

>>> payload = (('key1', 'value1'), ('key1', 'value2'))
>>> r = requests.post('http://httpbin.org/post', data=payload)
>>> print(r.text)
>>> {
>>> ...
>>> "form": {

    "key1": [
    "value1",
    "value2"
    ]

},
...
}

很多时候你想要发送的数据并非编码为表单形式的。如果你传递一个 string 而不是一个 dict，那么数据会被直接发布出去。

例如，Github API v3 接受编码为 JSON 的 POST/PATCH 数据：

>>> import json

>>> url = 'https://api.github.com/some/endpoint'
>>> payload = {'some': 'data'}

>>> r = requests.post(url, data=json.dumps(payload))
>>> 此处除了可以自行对 dict 进行编码，你还可以使用 json 参数直接传递，然后它就会被自动编码。这是 2.4.2 版的新加功能：

>>> url = 'https://api.github.com/some/endpoint'
>>> payload = {'some': 'data'}

>>> r = requests.post(url, json=payload)
>>> POST 一个多部分编码(Multipart-Encoded)的文件
>>> Requests 使得上传多部分编码文件变得很简单：

>>> url = 'http://httpbin.org/post'
>>> files = {'file': open('report.xls', 'rb')}

>>> r = requests.post(url, files=files)
>>> r.text
>>> {
>>> ...
>>> "files": {

    "file": "<censored...binary...data>"

},
...
}

你可以显式地设置文件名，文件类型和请求头：

>>> url = 'http://httpbin.org/post'
>>> files = {'file': ('report.xls', open('report.xls', 'rb'), 'application/vnd.ms-excel', {'Expires': '0'})}

>>> r = requests.post(url, files=files)
>>> r.text
>>> {
>>> ...
>>> "files": {

    "file": "<censored...binary...data>"

},
...
}

如果你想，你也可以发送作为文件来接收的字符串：

>>> url = 'http://httpbin.org/post'
>>> files = {'file': ('report.csv', 'some,data,to,send\nanother,row,to,send\n')}

>>> r = requests.post(url, files=files)
>>> r.text
>>> {
>>> ...
>>> "files": {

    "file": "some,data,to,send\\nanother,row,to,send\\n"

},
...
}

如果你发送一个非常大的文件作为 multipart/form-data 请求，你可能希望将请求做成数据流。默认下 requests 不支持, 但有个第三方包 requests-toolbelt 是支持的。你可以阅读 toolbelt 文档 来了解使用方法。

在一个请求中发送多文件参考 高级用法 一节。

警告
我们强烈建议你用二进制模式(binary mode)打开文件。这是因为 Requests 可能会试图为你提供 Content-Length header，在它这样做的时候，这个值会被设为文件的字节数（bytes）。如果用文本模式(text mode)打开文件，就可能会发生错误。

响应状态码
我们可以检测响应状态码：

>>> r = requests.get('http://httpbin.org/get')
>>> r.status_code
>>> 200
>>> 为方便引用，Requests 还附带了一个内置的状态码查询对象：

>>> r.status_code == requests.codes.ok
>>> True
>>> 如果发送了一个错误请求(一个 4XX 客户端错误，或者 5XX 服务器错误响应)，我们可以通过 Response.raise_for_status() 来抛出异常：

>>> bad_r = requests.get('http://httpbin.org/status/404')
>>> bad_r.status_code
>>> 404

>>> bad_r.raise_for_status()
>>> Traceback (most recent call last):
>>> File "requests/models.py", line 832, in raise_for_status
    raise http_error

    requests.exceptions.HTTPError: 404 Client Error

但是，由于我们的例子中 r 的 status_code 是 200 ，当我们调用 raise_for_status() 时，得到的是：

>>> r.raise_for_status()
>>> None
>>> 一切都挺和谐哈。

响应头
我们可以查看以一个 Python 字典形式展示的服务器响应头：

>>> r.headers
>>> {

    'content-encoding': 'gzip',
    'transfer-encoding': 'chunked',
    'connection': 'close',
    'server': 'nginx/1.0.4',
    'x-runtime': '148ms',
    'etag': '"e1ca502697e5c9317743dc078f67693f"',
    'content-type': 'application/json'

}

但是这个字典比较特殊：它是仅为 HTTP 头部而生的。根据 RFC 2616， HTTP 头部是大小写不敏感的。

因此，我们可以使用任意大写形式来访问这些响应头字段：

>>> r.headers['Content-Type']
>>> 'application/json'

>>> r.headers.get('content-type')
>>> 'application/json'
>>> 它还有一个特殊点，那就是服务器可以多次接受同一 header，每次都使用不同的值。但 Requests 会将它们合并，这样它们就可以用一个映射来表示出来，参见 RFC 7230:

A recipient MAY combine multiple header fields with the same field name into one “field-name: field-value” pair, without changing the semantics of the message, by appending each subsequent field value to the combined field value in order, separated by a comma.

接收者可以合并多个相同名称的 header 栏位，把它们合为一个 “field-name: field-value” 配对，将每个后续的栏位值依次追加到合并的栏位值中，用逗号隔开即可，这样做不会改变信息的语义。

Cookie
如果某个响应中包含一些 cookie，你可以快速访问它们：

>>> url = 'http://example.com/some/cookie/setting/url'
>>> r = requests.get(url)

>>> r.cookies['example_cookie_name']
>>> 'example_cookie_value'
>>> 要想发送你的 cookies 到服务器，可以使用 cookies 参数：

>>> url = 'http://httpbin.org/cookies'
>>> cookies = dict(cookies_are='working')

>>> r = requests.get(url, cookies=cookies)
>>> r.text
>>> '{"cookies": {"cookies_are": "working"}}'
>>> Cookie 的返回对象为 RequestsCookieJar，它的行为和字典类似，但接口更为完整，适合跨域名跨路径使用。你还可以把 Cookie Jar 传到 Requests 中：

>>> jar = requests.cookies.RequestsCookieJar()
>>> jar.set('tasty_cookie', 'yum', domain='httpbin.org', path='/cookies')
>>> jar.set('gross_cookie', 'blech', domain='httpbin.org', path='/elsewhere')
>>> url = 'http://httpbin.org/cookies'
>>> r = requests.get(url, cookies=jar)
>>> r.text
>>> '{"cookies": {"tasty_cookie": "yum"}}'
>>> 重定向与请求历史
>>> 默认情况下，除了 HEAD, Requests 会自动处理所有重定向。

可以使用响应对象的 history 方法来追踪重定向。

Response.history 是一个 Response 对象的列表，为了完成请求而创建了这些对象。这个对象列表按照从最老到最近的请求进行排序。

例如，Github 将所有的 HTTP 请求重定向到 HTTPS：

>>> r = requests.get('http://github.com')

>>> r.url
>>> 'https://github.com/'

>>> r.status_code
>>> 200

>>> r.history
>>> [<Response [301]>]
>>> 如果你使用的是 GET、OPTIONS、POST、PUT、PATCH 或者 DELETE，那么你可以通过 allow_redirects 参数禁用重定向处理：

>>> r = requests.get('http://github.com', allow_redirects=False)
>>> r.status_code
>>> 301
>>> r.history
>>> []
>>> 如果你使用了 HEAD，你也可以启用重定向：

>>> r = requests.head('http://github.com', allow_redirects=True)
>>> r.url
>>> 'https://github.com/'
>>> r.history
>>> [<Response [301]>]
>>> 超时
>>> 你可以告诉 requests 在经过以 timeout 参数设定的秒数时间之后停止等待响应。基本上所有的生产代码都应该使用这一参数。如果不使用，你的程序可能会永远失去响应：

>>> requests.get('http://github.com', timeout=0.001)
>>> Traceback (most recent call last):
>>> File "<stdin>", line 1, in <module>
>>> requests.exceptions.Timeout: HTTPConnectionPool(host='github.com', port=80): Request timed out. (timeout=0.001)
>>> 注意
>>> timeout 仅对连接过程有效，与响应体的下载无关。 timeout 并不是整个下载响应的时间限制，而是如果服务器在 timeout 秒内没有应答，将会引发一个异常（更精确地说，是在 timeout 秒内没有从基础套接字上接收到任何字节的数据时）If no timeout is specified explicitly, requests do not time out.

错误与异常
遇到网络问题（如：DNS 查询失败、拒绝连接等）时，Requests 会抛出一个 ConnectionError 异常。

如果 HTTP 请求返回了不成功的状态码， Response.raise_for_status() 会抛出一个 HTTPError 异常。

若请求超时，则抛出一个 Timeout 异常。

若请求超过了设定的最大重定向次数，则会抛出一个 TooManyRedirects 异常。

所有 Requests 显式抛出的异常都继承自 requests.exceptions.RequestException 。

Python 网页解析库 bs4

下面的一段 HTML 代码将作为例子被多次用到.这是 爱丽丝梦游仙境的 的一段内容(以后内容中简称为 爱丽丝 的文档):

html_doc = """
\<html>\<head>\<title>The Dormouse's story\</title>\</head>
\<body>
\<p class="title">\<b>The Dormouse's story\</b>\</p>

\<p class="story">Once upon a time there were three little sisters; and their names were
\<a href="http://example.com/elsie" class="sister" id="link1">Elsie\</a>,
\<a href="http://example.com/lacie" class="sister" id="link2">Lacie\</a> and
\<a href="http://example.com/tillie" class="sister" id="link3">Tillie\</a>;
and they lived at the bottom of a well.\</p>

\<p class="story">...\</p>
"""

使用BeautifulSoup解析这段代码,能够得到一个 BeautifulSoup 的对象,并能按照标准的缩进格式的结构输出:

from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc)

print(soup.prettify())

  # <html>
  #  <head>
  #   <title>
  #    The Dormouse's story
  #   </title>
  #  </head>
  #  <body>
  #   <p class="title">
  #    <b>
  #     The Dormouse's story
  #    </b>
  #   </p>
  #   <p class="story">
  #    Once upon a time there were three little sisters; and their names were
  #    <a class="sister" href="http://example.com/elsie" id="link1">
  #     Elsie
  #    </a>
  #    ,
  #    <a class="sister" href="http://example.com/lacie" id="link2">
  #     Lacie
  #    </a>
  #    and
  #    <a class="sister" href="http://example.com/tillie" id="link2">
  #     Tillie
  #    </a>
  #    ; and they lived at the bottom of a well.
  #   </p>
  #   <p class="story">
  #    ...
  #   </p>
  #  </body>
  # </html>

几个简单的浏览结构化数据的方法:

  soup.title
  # <title>The Dormouse's story</title>

  soup.title.name
  # u'title'

  soup.title.string
  # u'The Dormouse's story'

  soup.title.parent.name
  # u'head'

  soup.p
  # <p class="title"><b>The Dormouse's story</b></p>

  soup.p['class']
  # u'title'

  soup.a
  # <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>

  soup.find_all('a')
  # [<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>,
  #  <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>,
  #  <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]

  soup.find(id="link3")
  # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>

从文档中找到所有a标签的链接:

  for link in soup.find_all('a'):
      print(link.get('href'))
      # http://example.com/elsie
      # http://example.com/lacie
      # http://example.com/tillie

从文档中获取所有文字内容:

  print(soup.get_text())
  # The Dormouse's story
  #
  # The Dormouse's story
  #
  # Once upon a time there were three little sisters; and their names were
  # Elsie,
  # Lacie and
  # Tillie;
  # and they lived at the bottom of a well.
  #
  # ...

Python 网页解析库 lxml

菜鸟xpath

http://www.runoob.com/xpath/xpath-tutorial.html

#引入html解析库
from lxml import html

#解析为dom树结构
htm = html.fromstring(html_doc)
#利用xpath获取目标数据，返回的是一个list结果集
htm.xpath(xpath_str)

python 实战