BeautifiulSoup和lxml一样也是一个HTML/XML的解析器，主要功能是解析和提取HTML/XML数据。
lxml只会局部遍历，而BEautifulSoup是基于HTML DOM（Document OBject Model）的，会载入整个文档，解析整个DOM树，因此，时间和内存开销都会大很多，所以性能低于lxml。
BeautifulSoup用来解析HTML比较简单，API非常人性化，支持CSS选择器、python标准库中的HTML解析器，也支持lxml的XML解析器。
几大解析工具对比：
| 解析工具 | 解析速度 | 使用难度 |
| BeautifulSoup | 最慢 | 最简单 |
| lxml | 快 | 简单 |
| 正则 | 最快 | 最难 |
安装和和文档：
1. 安装：pip install bs4
2. 中文文档：https://www.crummy.com/software/BeautifulSoup/bs4/doc/index.zh.html
常见的四种对象：
1. Tag：BeautifulSoup中所有的标签都是Tag类型，并且BeautifulSoup的对象本质上也是一个Tag类型。所以一些方法比如：find、find_all并不是BeautifulSoup的，而是Tag的。
2. NavigableStrings: 继承自python中的str，用起来就跟使用python的str一样。
3. BeautifulSoup: 继承自Tag。用来生成BeautifulSoup树。对于一些查找方法：比如：find、select,其实还是Tag的。
4. Comment：继承自NavigableStrings。
beautifulSoup 的基本使用：
# pip install lxml bs = BeautifulSoup(html,'lxml') print(bs.prettify())
"lxml"是解析器，使用之前先安装；html 为符合HTML格式的字符串；‘prettify()’函数是为了规范解析出来的内容，合理、美观。
find_all的使用：
1.在提取标签的时候，第一个参数是标签名字。如果在提取标签的时候想要使用标签属性进行过滤，那么可以在这个方法中通过关键字参数的形式，将属性的名字以及对应的值传进去（如果与python的关键字重复，则加下划线，如：class_），或者使用‘attrs'属性，将所有的属性以及对应的值放在一个字典中传给'attrs'属性。
2. 可以使用'limit'参数，限制提取标签的数量。
from bs4 import BeautifulSoup soup = BeautifulSoup(html,'lxml') # 1. 获取所有的tr标签 trs = soup.find_all('tr') for tr in trs: print(tr) # 2.获取第二个tr标签 tr = soup.find_all('tr',limit=2)[1] print(tr) # 3. 获取所有class等于even的tr标签 # 方式一： trs = soup.find_all('tr',class_='even') # 方式二： trs = soup.find_all('tr',attrs={'class':'even'}) for tr in trs: print(tr) # 4. 将所有id等于test,class也等于test的a标签提取出来。 aList = soup.find_all('tr',id='test',class_='test') aList = soup.find_all('tr',attrs={'id':'test','class':'test'}) for a in aList: print(a) # 5. 获取所有a标签的href属性 aList = soup.find_all('tr') for a in aList: # 方式一 href = a['href'] # 方式二 href = a.attrs['href'] print(href) # 6，获取所有职位信息（纯文本) movies = [] trs = soup.find_all('tr')[1:] for tr in trs: movie = {} # 方法一 tds = tr.find_all('td') title = tds[0].string category = tds[1].string nums = tds[2].string city = tds[3].string pubtime = tds[4].string movie = { 'title':title, 'category': category, 'nums':nums, 'city':city, 'pubtime':pubtime } movies.append(movie) # 方法二 infos = list(tr.stripped_strings) movie = { 'title': infos[0], 'category': infos[1], 'nums': infos[2], 'city': infos[3], 'pubtime': infos[4] } movies.append(movie)
find 与 find_all的区别：
1. find:只查找一个元素标签就返回；
2.find_all：将所有满足条件的标签以列表形式全部返回，
string、strings、stripped_strings和get_text 方法的区别：
1. string:获取某个标签下的非标签字符串，返回的是一个字符串，只能获取一行数据，如果有多个换行符时，就无法获取有用数据；
2. strings: 获取某个标签下的子孙非标签字符串，返回的是一个生成器；
3. stripped_strings:获取某个标签的子孙非标签字符串，会去掉空白字符，返回的是一个生成器；
4. get_text: 获取某个标签下的子孙非标签字符串，以普通字符串返回。
select方法：
有时候使用css选择器可以更加的方便。使用css选择器应该使用select方法：
（1）通过标签名查找：
soup.select('a')
（2） 通过类名查找
通过类名查找，应该在类的前面加一个 . 。比如要查找class=sister的标签：
soup.select('.sister')
（3）通过id查找
通过id 查找，应该在id的名字前面加一个#号。比如要查找id = link1的标签：
soup.select('#link1')
（4）组合查找
例如要查找p标签中，id等于link1的内容，二者需要空格隔开。
soup.select('p #link1'
直接子标签查找，则使用>分隔：
soup.select('head>title')
（5）通过属性查找
通过属性查找时，属性应该使用中括号括起来，属性和标签属于同一节点，中间不能加空格，否则无法匹配到。
soup.select("a[href='http://www.example.com']")
from bs4 import BeautifulSoup soup = BeautifulSoup(html,'lxml') # 1. 获取所有的tr标签 trs = soup.select('tr') for tr in trs: print(tr) # 2.获取第二个tr标签 tr = soup.select('tr')[1] print(tr) # 3. 获取所有class等于even的tr标签 # 方式一： trs = soup.select('.even') # 方式二： trs = soup.select("tr{"class':'even'}") for tr in trs: print(tr) # 4. 获取所有a标签的href属性 aList = soup.select('a') for a in aList: href = a['href'] # 5，获取所有职位信息（纯文本) trs = soup.select('tr') for tr in trs: infos = list(tr.stripped_strings) print(infos)
contents 和 children:
返回某个标签下的直接子元素，其中包括字符串。区别是：contents返回的是一个列表，children返回的是一个迭代器。
