beautifulsoup学习-抓取页面并解析_html/css_WEB-ITnose

以汽车之家为例子，抓取页面并进行解析

# -*- coding=utf-8 -*-import urllib2from BeautifulSoup import BeautifulSoup as bs3import jsonimport codecs#字符检测，用来检测其真实的编码格式import chardet#save content to filedef save_to_file(filename, content):	f = open(filename, 'w+')	assert(f)	f.write(content)	f.close()	def parse_json_data(content):	print(chardet.detect(content[0]))	name_list = ['keyLink', 'config', 'option','color', 'innerColor']	print(json.dumps(content[0].decode('GB2312')))def parse_content(content):	#content是GB2312的编码	soup = bs3(content)	key_text = 'var levelId'	elem_lib = soup.find('script', text=lambda(x):key_text in x)	#str_script是utf-8的编码	str_script = str(elem_lib.string)	#print(chardet.detect(str_script))	#由于命令行是cp936 GBK的编码，如果编码不符合无法打印	strGBK = str_script.decode('utf-8').encode('gb2312')	#print(strGBK)	#移除html的转义字符 	strGBK = strGBK.replace(' ','')	d = strGBK.splitlines()	list_data = []	for i in d:	if i.isspace():	continue	#过滤不需要的变量	if len(i) < 100:	continue	#取出json数据	idx = i.find('{')	if idx == -1:	continue	#移除最后的;	k = i[idx:-1]	list_data.append(k)	parse_json_data(list_data)	'''	print('json.count=', len(list_data))	for i in list_data:	if len(i) > 200:	print(i[0:200])	else:	print(i)	parse_json_data(list_data)	'''	#不能再函数中直接使用exec，但是可以使用eval	'''	strSentece = ''	for i in d:	if i.isspace():	continue	if 'null' in j:	continue	#移除var的类型定义,javascript需要,python不需要	j = i[4:]	strSentece += i	#可以直接在python中执行json的赋值语句，类似dict赋值	exec(strSentece)	#