簡單來說，Beautiful Soup是python的一個庫，最主要的功能是從網頁抓取數據。官方解釋如下：官網文檔
Beautiful Soup提供一些簡單的、python式的函數用來處理導航、搜索、修改分析樹等功能。
它是一個工具箱，通過解析文檔為用戶提供需要抓取的數據，因為簡單，所以不需要多少代碼就可以寫出一個完整的應用程序。
安裝
pip3 install beautifulsoup4
解析器
Beautiful Soup支持Python標準庫中的HTML解析器,還支持一些第三方的解析器，如果我們不安裝它，則 Python 會使用 Python默認的解析器，lxml 解析器更加強大，速度更快，推薦安裝。
pip3 install lxml
另一個可供選擇的解析器是純Python實現的 html5lib , html5lib的解析方式與瀏覽器相同,可以選擇下列方法來安裝html5lib:
pip install html5lib
解析器對比
BeautifulSoup是一個模塊，該模塊用于接收一個HTML或XML字符串，然后將其進行格式化，之后遍可以使用他提供的方法進行快速查找指定元素，從而使得在HTML或XML中查找指定元素變得簡單。
用法
# 簡單示例
from bs4 import BeautifulSouphtml_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
asdf<div class="title"><b>The Dormouse's story總共</b><h1>f</h1></div>
<div class="story">Once upon a time there were three little sisters; and their names were<a class="sister0" id="link1">Els<span>f</span>ie</a>,<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</div>
ad<br/>sf
<p class="story">...</p>
</body>
</html>
"""soup = BeautifulSoup(html_doc, features="lxml")
tag1 = soup.find(name='a') # 找到第一個a標簽
tag2 = soup.find_all(name='a') # 找到所有的a標簽
tag3 = soup.select('#link2') # 找到id＝link2的標簽
find(name, attrs, recursive, text, **kwargs)
# name參數，查找所有名字為name的tag，字符串對象被忽略。
soup.find_all('title') # keyword參數，如果一個指定名字的參數不是搜索內置的參數名，搜索時會把該參數當作指定名字tag的屬性來搜索。
soup.find_all(id='link2')# 如果多個指定名字的參數可以同時過濾tag的多個屬性：
soup.find_all(href=re.compile('elsie'),id='link1') # 有些tag屬性在搜索不能使用，比如HTML5中的data*屬性，但是可以通過find_all()的attrs參數定義一個字典來搜索：
data_soup.find_all(attrs={'data-foo':'value'})# recursive參數
如果指向搜索tag的直接子節點，可以使用參數recursive=False。# limit參數
可以用來限制返回結果的數量# text 參數
通過 text 參數可以搜搜文檔中的字符串內容，與 name 參數的可選值一樣, text 參數接受 字符串 , 正則表達式 , 列表
使用示例：
- text,標簽內容
print(soup.text)
print(soup.get_text())
# 兩種方式都可以返回獲取的所有文本
- name,標簽名稱
tag = soup.find('a')
name = tag.name # 獲取標簽名稱
print(name)
tag.name = 'span' # 設置標簽名稱
print(soup)
- attrs,標簽屬性
tag = soup.find('a')
attrs = tag.attrs # 獲取標簽屬性
print(attrs)
tag.attrs = {'ik':123} # 設置標簽屬性
tag.attrs['id'] = 'iiiii' # 設置標簽屬性
print(soup)
- children,所有子標簽
body = soup.find('body')
v = body.children
- descendants,所有子子孫孫標簽
body = soup.find('body')
v = body.descendants
- clear,將標簽的所有子標簽全部清空（保留標簽名）
tag = soup.find('body')
tag.clear()
print(soup)
- decompose,遞歸的刪除所有的標簽
body = soup.find('body')
body.decompose()
print(soup)
- extract,遞歸的刪除所有的標簽，并獲取刪除的標簽
body = soup.find('body')
v = body.extract()
print(soup)
- decode,轉換為字符串（含當前標簽）；decode_contents（不含當前標簽）
body = soup.find('body')
v = body.decode()
v = body.decode_contents()
print(v)
- encode,轉換為字節（含當前標簽）；encode_contents（不含當前標簽）
body = soup.find('body')
v = body.encode()
v = body.encode_contents()
print(v)
- find,獲取匹配的第一個標簽
tag = soup.find('a')
print(tag)
tag = soup.find(name='a', attrs={'class': 'sister'}, recursive=True, text='Lacie')
tag = soup.find(name='a', class_='sister', recursive=True, text='Lacie')
print(tag)
- find_all,獲取匹配的所有標簽
tags = soup.find_all('a')
print(tags)
tags = soup.find_all('a',limit=1)
print(tags)
tags = soup.find_all(name='a', attrs={'class': 'sister'}, recursive=True, text='Lacie')
# tags = soup.find(name='a', class_='sister', recursive=True, text='Lacie')
print(tags)# ####### 列表 #######
# v = soup.find_all(name=['a','div'])
# print(v)# v = soup.find_all(class_=['sister0', 'sister'])
# print(v)# v = soup.find_all(text=['Tillie'])
# print(v, type(v[0]))# v = soup.find_all(id=['link1','link2'])
# print(v)# v = soup.find_all(href=['link1','link2'])
# print(v)# ####### 正則 #######
import re
# rep = re.compile('p')
# rep = re.compile('^p')
# v = soup.find_all(name=rep)
# print(v)# rep = re.compile('sister.*')
# v = soup.find_all(class_=rep)
# print(v)# rep = re.compile('http://www.oldboy.com/static/.*')
# v = soup.find_all(href=rep)
# print(v)# ####### 方法篩選 #######
# def func(tag):
# return tag.has_attr('class') and tag.has_attr('id')
# v = soup.find_all(name=func)
# print(v)# ####### get,獲取標簽屬性
# tag = soup.find('a')
# v = tag.get('id')
# print(v)
- has_attr,檢查標簽是否具有該屬性
tag = soup.find('a')
v = tag.has_attr('id')
print(v)
- get_text,獲取標簽內部文本內容
tag = soup.find('a')
v = tag.get_text('id')
print(v)
- index,檢查標簽在某標簽中的索引位置
tag = soup.find('body')
v = tag.index(tag.find('div'))
print(v)tag = soup.find('body')
for i,v in enumerate(tag):print(i,v)
- is_empty_element,是否是空標簽(是否可以是空)或者自閉合標簽，
判斷是否是如下標簽：’br’ , ‘hr’, ‘input’, ‘img’, ‘meta’,’spacer’, ‘link’, ‘frame’, ‘base’
tag = soup.find('br')
v = tag.is_empty_element
print(v)
- 當前的關聯標簽
soup.next
soup.next_element
soup.next_elements
soup.next_sibling
soup.next_siblings
tag.previous
tag.previous_element
tag.previous_elements
tag.previous_sibling
tag.previous_siblings
tag.parent
tag.parents
- 查找某標簽的關聯標簽
# tag.find_next(...)
# tag.find_all_next(...)
# tag.find_next_sibling(...)
# tag.find_next_siblings(...)# tag.find_previous(...)
# tag.find_all_previous(...)
# tag.find_previous_sibling(...)
# tag.find_previous_siblings(...)# tag.find_parent(...)
# tag.find_parents(...)# 參數同find_all
- select,select_one, CSS選擇器
soup.select("title")
soup.select("p nth-of-type(3)")
soup.select("body a")
soup.select("html head title")
tag = soup.select("span,a")
soup.select("head > title")
soup.select("p > a")
soup.select("p > a:nth-of-type(2)")
soup.select("p > #link1")
soup.select("body > a")
soup.select("#link1 ~ .sister")
soup.select("#link1 + .sister")
soup.select(".sister")
soup.select("[class~=sister]")
soup.select("#link1")
soup.select("a#link2")
soup.select('a[href]')
soup.select('a[href="http://example.com/elsie"]')
soup.select('a[href^="http://example.com/"]')
soup.select('a[href$="tillie"]')
soup.select('a[href*=".com/el"]')from bs4.element import Tagdef default_candidate_generator(tag):for child in tag.descendants:if not isinstance(child, Tag):continueif not child.has_attr('href'):continueyield childtags = soup.find('body').select("a", _candidate_generator=default_candidate_generator)
print(type(tags), tags)from bs4.element import Tag
def default_candidate_generator(tag):for child in tag.descendants:if not isinstance(child, Tag):continueif not child.has_attr('href'):continueyield childtags = soup.find('body').select("a", _candidate_generator=default_candidate_generator, limit=1)
print(type(tags), tags)
- 標簽的內容
# tag = soup.find('span')
# print(tag.string) # 獲取
# tag.string = 'new content' # 設置
# print(soup)# tag = soup.find('body')
# print(tag.string)
# tag.string = 'xxx'
# print(soup)# tag = soup.find('body')
# v = tag.stripped_strings # 遞歸內部獲取所有標簽的文本
# print(v)
- append在當前標簽內部追加一個標簽
# tag = soup.find('body')
# tag.append(soup.find('a'))
# print(soup)
#
# from bs4.element import Tag
# obj = Tag(name='i',attrs={'id': 'it'})
# obj.string = '我是一個新來的'
# tag = soup.find('body')
# tag.append(obj)
# print(soup)
- insert在當前標簽內部指定位置插入一個標簽
# from bs4.element import Tag
# obj = Tag(name='i', attrs={'id': 'it'})
# obj.string = '我是一個新來的'
# tag = soup.find('body')
# tag.insert(2, obj)
# print(soup)
- insert_after,insert_before 在當前標簽后面或前面插入
# from bs4.element import Tag
# obj = Tag(name='i', attrs={'id': 'it'})
# obj.string = '我是一個新來的'
# tag = soup.find('body')
# # tag.insert_before(obj)
# tag.insert_after(obj)
# print(soup)
- replace_with 在當前標簽替換為指定標簽
# from bs4.element import Tag
# obj = Tag(name='i', attrs={'id': 'it'})
# obj.string = '我是一個新來的'
# tag = soup.find('div')
# tag.replace_with(obj)
# print(soup)
- 創建標簽之間的關系
# tag = soup.find('div')
# a = soup.find('a')
# tag.setup(previous_sibling=a)
# print(tag.previous_sibling)
- wrap，將指定標簽把當前標簽包裹起來
# from bs4.element import Tag
# obj1 = Tag(name='div', attrs={'id': 'it'})
# obj1.string = '我是一個新來的'
#
# tag = soup.find('a')
# v = tag.wrap(obj1)
# print(soup)# tag = soup.find('a')
# v = tag.wrap(soup.find('p'))
# print(soup)
- unwrap，去掉當前標簽，將保留其包裹的標簽
# tag = soup.find('a')
# v = tag.unwrap()
# print(soup)
更多參數官方：http://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/
Linux下PS1、PS2、PS3、PS4使用詳解)
-http通信demo)
