BeautifulSoup ：功能使用

'''
# Author : Solomon Xie
# Usage : 测试BeautifulSoup一些用法及容易出bug的地方
# Enviroment: Python 2.7, Windows 7 (32bit), Chinese Language Pack
'''import time, re
import bs4 # 必须导入，因为需要做一些bs4专有类型的判断
from bs4 import BeautifulSoupdef test_BeautifulSoup():
"""
# BeautifulSoup的一些问题实在让人蛋大。
# 这里研究下吧。
"""
'''
# 基础部分
# 关于bs4的解析速度 #################
# 仔细阅读文档后发现，文档解析器对速度至关重要！
# 如果没有安装cchardet模块，那么光一个网页就要7秒！！
# 还不包括获取网页时间。然而试过后，如过山车一般：
# 安装了cchardet以后7秒变成了一瞬。
# 然而，用了几天后又变回了7秒，卸载了cchardet又变回了一瞬间！
# 另外，BeautifulSoup升级到4以后，导入方法变了，如下：
'''
from bs4 import BeautifulSoup '''
# 关于被解析文档的编码格式 ##########
# 又不淡定了，官方说无论被传入什么编码的文档，都会被统一为unicode
# 实际上有时候我发现，必须以unicode传入才能获得正确结果。。。
# 这里试验发现，还真的是如此!必须传入decode过的码
'''
html_doc = open('test-Zhilian-list-page-sm1.html', 'r').read().decode('utf-8')
# ^ 这个html文件其实是智联招聘搜索页的源码，可以自己保存下来直接试一试。 '''
# 关于bs4的文档解析器 ##############
# 又是一个大坑：bs升级到4后，实例化时需要明确指定文档解析器，如：
# soup = BeautifulSoup(html_doc, 'lxml')
# 但是著名的lxml在这里就是个大坑啊，
# 因为它会直接略过html所有没写规范的tag，而不管人家多在乎那些信息
# 因为这个解析器的事，我少说也折腾了好几个小时才找到原因吧。
# 总结：记住，选择html5lib！效率没查多少，最起码容错率强，不会乱删你东西！
'''
soup = BeautifulSoup(html_doc, 'html5lib') '''
# 关于bs4的输出格式 #################
# prettify()官方解释是一律输出utf-8格式，
# 其实却是unicode类型！！所以必须在prettify()里面指定编码。
'''
# output = soup.prettify('utf-8')
# print repr(output) '''
# 所谓的多种搜索节点方式##############
就是不知道为什么:
无论怎么测验，find()和find_all()就是死活不管用！
只有用官方文档里的英文版《爱丽丝》测试才没问题。
也就是说，问题还是出在了文字编码上？
可是当我试着查找英文时，搜索结果还是为零-_-!
到了最后，bs4中众多的搜索工具上，
唯一能用的就是select()了，即CSS选择器。
虽然极其好用，但还是有限制性。
不死心，所以我还是再试验一下find_all()的毛病吧。
'''
# == find_all()之搜索标签名称 ============ OK
# result = soup.find_all('dl') # OK # == find_all()之搜索标签属性 ============ not all OK
# result = soup.find_all(id='newlist_list_div') # OK
# result = soup.find_all(href=re.compile('.htm')) # Failed 竟然不支持href搜索，和官方说的不一样
# result = soup.find_all(name='vacancyid') # Failed 不支持标签的name属性搜索 # == find_all()之按CSS搜索 ============ OK
# result = soup.find_all('div', class_='clearfix') # OK
# result = soup.find_all('div', class_=re.compile('newlist_detail')) # OK
# result = soup.find_all(class_=re.compile('newlist_detail')) # OK # == find_all()之按内容text搜索 ============
# find_all()加上text参数后，
# 返回的是字符串！而不是tag！！
# 类型为：<class 'bs4.element.NavigableString'>
# result = soup.find_all(text='会计') # OK 内容必须完全相等才算！（不含子标签）
# result = soup.find_all(text=u'数据') # OK 内容必须完全相等 无所谓unicode了
# result = soup.find_all(text=re.compile(u'学历：')) # OK unicode是绝对要！否则不行！ # == select() , CSS选择器搜索引擎 ============
'''
CSS选择器的语法请看w3cschool的文档：
http://www.w3school.com.cn/cssref/selector_nth-of-type.asp
下面总结了在BeautifulSoup中的语法搜索：
标签搜索，如：'input' ,搜索所有标签为input的元素
宽泛路径，如：'body a' ,就是body内所有a元素
绝对路径，如：'body > div > div > p' ,必须完全符合路径才能搜到
ID搜索 ，如：'#tag-1' ,搜索id为tag1的标签
混合搜索，如：'div #tag1', 搜索id为xx的div标签
'div[class*=newlist_detail] ~ div[class*=newlist_detail]' ,大混合
属性存在，如：'a[href]' ,搜索所有存在href属性的a标签
类名搜索，如：'[class=clearfix]' ,找到class名等于clearfix的标签
'[class^=newlist_detail]' ,找到class名中以"newlist_detail"开头的标签
'[class$=zwmc]' ,找到class名中以"zwmc"结尾的标签
'[class*=clearfix]' ,找到class名中包含"zwmc"的标签
兄弟搜索，如：
'#links ~ .clearfix' ,找到id为links标签的所有class等于"clearfix"的兄弟标签
'#links + .clearfix' ,找到id为links标签的下一个class等于"clearfix"的兄弟标签
序列搜索，如：'p nth-of-type(3)' ,这个说白了就是选择第3个p标签
'p nth-of-type(odd)' 表示奇数的p标签
'p nth-of-type(even)' 表示偶数的p标签
'p nth-of-type(n)' 表示所有的p标签
'p nth-of-type(3n)' 表示3的倍数的p标签
'p nth-of-type(4n+1)' 表示4的倍数加1的p标签，如第5个、第9个
'''
# result = soup.select('dl > p') # OK tag路径搜索
# result = soup.select('div[class*=newlist_detail] ~ div') # OK 各种混合搜索
# result = soup.select('[class*=zwmc]') # OK 各种混合搜索
con = soup.select('div[class^=newlist_detail]')[0]
result = con.select('[class*=zwmc]')
# print type(result[0]) print len(result) # out = soup.select('[class*=zwmc]')
# print len(out)
# for item in out:
# print item.get_text().encode('utf-8')def bsText(tags=[], info=''):
if len(tags):
t = tags[0] # 因为只会有一个对象
# select()选择器返回的是tag标签
# 而find_all()用text查询是返回的是字符串！
if isinstance(t, bs4.element.Tag):
return t.get_text().encode('utf-8')
elif isinstance(t, bs4.element.NavigableString):
return t.string.encode('utf-8')
else:
return '无[%s]信息'%info# 计算时间
def timeup(func):
start = time.clock()
func()
end = time.clock()
timeuse = end-start
print '\n[%s()]函数一共使用了%d秒时间。\n' %(func.__name__, timeuse)
return timeuseif __name__ == '__main__':
timeup(test_BeautifulSoup)