Python 使用 beautifulsoup 4 模块来处理 HTML
本文转载于：原文
beautifulsoup 4 基础教程
BeautifulSoup是python解析html非常好用的第三方库！
抓取网页信息的***强大帮手***
一、安装
pip install beautifulsoup4
二、导入
form bs4 import BeautifulSoup
三、解析库
BeautifulSoup默认支持Python的标准HTML解析库，但是它也支持一些第三方的解析库：
| 序号 | 解析库 | 使用方法 | 优势 | 劣势 |
|---|---|---|---|---|
| 1 | Python标准库 | BeautifulSoup(html,’html.parser’) | Python内置标准库；执行速度快 | 容错能力较差 |
| 2 | lxml HTML解析库 | BeautifulSoup(html,’lxml’) | 速度快；容错能力强 | 需要安装，需要C语言库 |
| 3 | lxml XML解析库 | BeautifulSoup(html,[‘lxml’,’xml’]) | 速度快；容错能力强；支持XML格式 | 需要C语言库 |
| 4 | htm5lib解析库 | BeautifulSoup(html,’htm5llib’) | 以浏览器方式解析，最好的容错性 | 速度慢 |
四、使用技巧
例如有这样一个网页html：
<!DOCTYPE html>
<!--STATUS OK-->
<html>
<head>
<meta content="text/html;charset=utf-8" http-equiv="content-type"/>
<meta content="IE=Edge" http-equiv="X-UA-Compatible"/>
<meta content="always" name="referrer"/>
<link href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css" rel="stylesheet" type="text/css"/>
<title>
百度一下，你就知道 </title>
</head>
<body link="#0000cc">
<div id="wrapper">
<div id="head">
<div class="head_wrapper">
<div id="u1">
<a class="mnav" href="http://news.baidu.com" name="tj_trnews">
新闻 </a>
<a class="mnav" href="https://www.hao123.com" name="tj_trhao123">
hao123 </a>
<a class="mnav" href="http://map.baidu.com" name="tj_trmap">
地图 </a>
<a class="mnav" href="http://v.baidu.com" name="tj_trvideo">
视频 </a>
<a class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">
贴吧 </a>
<a class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;">
更多产品 </a>
</div>
</div>
</div>
</div>
</body>
</html>
创建beautifulsoup4对象：
from bs4 import BeautifulSoup
bs = BeautifulSoup(html,"html.parser")
缩进格式
print(bs.prettify())
获取title标签的所有内容
print(bs.title)
获取title标签的名称
print(bs.title.name)
获取title标签的文本内容
print(bs.title.string)
获取head标签的所有内容
print(bs.head)
获取第一个div标签中的所有内容
print(bs.div)
获取第一个div标签的id的值
print(bs.div["id"])
获取第一个a标签中的所有内容
print(bs.a)
获取所有的a标签中的所有内容
print(bs.find_all("a"))
获取id="u1"
print(bs.find(id="u1"))
获取所有的a标签，并遍历打印a标签中的href的值
for item in bs.find_all("a"):
print(item.get("href"))
获取所有的a标签，并遍历打印a标签的文本值
for item in bs.find_all("a"):
print(item.get_text())
五、BeautifulSoup4四大对象种类
BeautifulSoup4将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种:
（1）Tag
（2）NavigableString
（3）BeautifulSoup
（4）Comment
（1）Tag ： Tag通俗点讲就是HTML中的一个个标签，例如：
from bs4 import BeautifulSoup
bs = BeautifulSoup(html,"html.parser")
获取title标签的所有内容
print(bs.title)
获取head标签的所有内容
print(bs.head)
获取第一个a标签的所有内容
print(bs.a)
类型
print(type(bs.a))
我们可以利用 soup 加标签名轻松地获取这些标签的内容，这些对象的类型是 bs4.element.Tag。
但是注意，它查找的是在所有内容中的第一个符合要求的标签。
对于 Tag，它有两个重要的属性，是 name 和 attrs：
# [document]
#bs 对象本身比较特殊，它的 name 即为 [document]
print(bs.name)
head
对于其他内部标签，输出的值便为标签本身的名称
print(bs.head.name)
在这里，我们把 a 标签的所有属性打印输出了出来，得到的类型是一个字典。
print(bs.a.attrs)
还可以利用get方法，传入属性的名称，二者是等价的
print(bs.a['class']) # bs.a.get('class')
可以对这些属性和内容等等进行修改
bs.a['class'] = "newClass"
print(bs.a)
还可以对这个属性进行删除
del bs.a['class']
print(bs.a)
（2）NavigableString：获取标签内部的文字用 .string 即可，例如：
print(bs.title.string)
print(type(bs.title.string))
（3）BeautifulSoup：表示的是一个文档的内容。
大部分时候，可以把它当作 Tag 对象，是一个特殊的 Tag，我们可以分别获取它的类型，名称，以及属性，例如：
print(type(bs.name))
print(bs.name)
print(bs.attrs)
（4）Comment：是一个特殊类型的 NavigableString 对象，其输出的内容不包括注释符号。
print(bs.a) # 此时不能出现空格和换行符，a标签如下：
# <a class="mnav" href="http://news.baidu.com" name="tj_trnews"><!--新闻--></a>
print(bs.a.string) # 新闻
print(type(bs.a.string)) # <class 'bs4.element.Comment'>
六、遍历文档树
（1）.contents：获取Tag的所有子节点，返回一个list
# tag的.content 属性可以将tag的子节点以列表的方式输出
print(bs.head.contents)
用列表索引来获取它的某一个元素
print(bs.head.contents[1])
（2）.children：获取Tag的所有子节点，返回一个生成器
for child in bs.body.children:
print(child)
七、搜索文档树
1. find_all(name, attrs, recursive, text, **kwargs)
（1）name参数：
字符串过滤：会查找与字符串完全匹配的内容
a_list = bs.find_all("a")
print(a_list)
正则表达式过滤：如果传入的是正则表达式，那么BeautifulSoup4会通过search()来匹配内容
t_list = bs.find_all(re.compile("a"))
for item in t_list:
print(item)
列表： 如果传入一个列表，BeautifulSoup4将会与列表中的任一元素匹配到的节点返回
t_list = bs.find_all(["meta","link"])
for item in t_list:
print(item)
方法： 传入一个方法，根据方法来匹配
def name_is_exists(tag):
return tag.has_attr("name")
t_list = bs.find_all(name_is_exists)
for item in t_list:
print(item)
（2）kwargs参数：
# 查询id=head的Tag
t_list = bs.find_all(id="head")
print(t_list)
查询href属性包含ss1.bdstatic.com的Tag
t_list = bs.find_all(href=re.compile("http://news.baidu.com"))
print(t_list)
查询所有包含class的Tag(注意：class在Python中属于关键字，所以加_以示区别)
t_list = bs.find_all(class_=True)
for item in t_list:
print(item)
（3）attrs参数：
并不是所有的属性都可以使用上面这种方式进行搜索，比如HTML的data-*属性，我们可以使用attrs参数，定义一个字典来搜索包含特殊属性的tag：
t_list = bs.find_all(attrs={"data-foo":"value"})
for item in t_list:
print(item)
（4）text参数：
通过text参数可以搜索文档中的字符串内容，与name参数的可选值一样。
text参数接受 字符串，正则表达式，列表
t_list = bs.find_all(attrs={"data-foo": "value"})
for item in t_list:
print(item)
t_list = bs.find_all(text="hao123")
for item in t_list:
print(item)
t_list = bs.find_all(text=["hao123", "地图", "贴吧"])
for item in t_list:
print(item)
t_list = bs.find_all(text=re.compile("\d"))
for item in t_list:
print(item)
（5）limit参数：
传入一个limit参数来限制返回的数量
例如下列放回数量为2
t_list = bs.find_all("a",limit=2)
for item in t_list:
print(item)
2.find（）
返回符合条件的第一个Tag
即当我们要取一个值的时候就可以用这个方法
t = bs.div.div
等价于
t = bs.find("div").find("div")
八、CSS选择器
（1）通过标签名查找
print(bs.select('title'))
print(bs.select('a'))
（2）通过类名查找
print(bs.select('.mnav'))
（3）通过id查找
print(bs.select('#u1'))
（4）组合查找
print(bs.select('div .bri'))
（5）属性查找
print(bs.select('a[class="bri"]'))
print(bs.select('a[href="http://tieba.baidu.com"]'))
（6）获取内容
t_list = bs.select("title")
print(bs.select('title')[0].get_text())
