python网页爬虫 python爬虫爬网页的源码

python爬虫在爬取网页内容时，需要将内容连同内容格式一同爬取过来，然后在自己的web页面中显示，自己的web页面为django框架

首先定义一个变量html，变量值为一段HTML代码

>>> print(html)
<div id=1> 
   my <br> 
   name <br>
 is   JAY <br> 
 </div>

，我们现在要取div里面的内容，在自己的web页面中显示，空格和换行符等都以HTML代码的形式抓取。最终想要的数据为

&nbsp;&nbsp;my <br>

&nbsp; name <br>

is &nbsp; JAY <br>

 

（1）首先soup.string是不行的，因为div下面不止一个子标签

>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup(html, 'html.parser')
>>> soup.string
>>>

可以看到返回值为空

（2）使用get_text()也是不行的，因为get_text()获取的字符串都是转义后的，我们要的是原生的HTML代码

>>> soup.get_text()
' \n \xa0\xa0my  \n \xa0 name \n is \xa0 JAY \n'

不过get_text()在其他很多场合很实用，它可以获取标签下的所有子孙标签内的文本内容

同时可以指定参数

>>> soup.get_text('|')  #所有tag文本内容的分隔符
' \n \xa0\xa0my | \n \xa0 name |\n is \xa0 JAY |\n'

>>> soup.get_text('|', strip=True)   #去掉文本内容前后的空白
'my|name|is \xa0 JAY'

或者使用soup.stripped_strings生成器，获取文本内容手动处理

（3）可以使用.contents

>>> content_soup = soup.div.contents
>>> content_soup
[' \n \xa0\xa0my ', <br/>, ' \n \xa0 name ', <br/>, '\n is \xa0 JAY ', <br/>, '\n']
>>> content_soup = [str(i) for i in content_soup]   #列表中的所有值改换为字符串类型
>>> content_text = ''.join(content_soup)     #合并列表到一个字符串中
>>> content_text
' \n \xa0\xa0my <br/> \n \xa0 name <br/>\n is \xa0 JAY <br/>\n'
>>> print(content_text)
 
   my <br/> 
   name <br/>
 is   JAY <br/>

至此，就可以直接将变量放到web页面中