1. BeautifulSoup是什么？
BeautifulSoup 是一個 Python 庫，專門用來解析 HTML 或 XML 文件，方便我們提取數據。它能把網頁源代碼轉換成樹形結構，讓我們可以輕松查找、修改內容，并自動處理編碼問題（如 Unicode 和 UTF-8）。
支持的解析器
BeautifulSoup 支持多種解析器，不同解析器的速度和容錯能力不同：
| 解析器 | 使用方法 | 優點 | 缺點 |
|---|---|---|---|
| Python標準庫 | BeautifulSoup(html, "html.parser") | 內置，無需安裝 | 速度較慢 |
| lxml (HTML) | BeautifulSoup(html, "lxml") | 速度快，容錯強 | 需要額外安裝 |
| lxml (XML) | BeautifulSoup(html, "xml") | 唯一支持 XML 的解析器 | 需要額外安裝 |
| html5lib | BeautifulSoup(html, "html5lib") | 容錯最好，像瀏覽器一樣解析 | 速度最慢 |
推薦使用 lxml，因為它最快！
2. 安裝 BeautifulSoup
安裝 BeautifulSoup
pip install beautifulsoup4
安裝 lxml（推薦）
pip install lxml
安裝 html5lib（可選）
pip install html5lib
3. 快速上手
（1）解析 HTML 字符串
from bs4 import BeautifulSouphtml = '''
<!DOCTYPE html>
<html>
<head><title>BeautifulSoup學習</title>
</head>
<body><p>Hello BeautifulSoup</p>
</body>
</html>
'''# 使用 lxml 解析器
soup = BeautifulSoup(html, "lxml")
print(soup.p.text) # 輸出: Hello BeautifulSoup
（2）解析本地 HTML 文件
soup = BeautifulSoup(open("index.html"), "lxml")
print(soup.title.text) # 輸出網頁標題
4. BeautifulSoup 的 4 種對象
（1）Tag（標簽）
- 對應 HTML 里的標簽，如
<title>、<p>。 - 可以獲取標簽名
.name和屬性.attrs。
tag = soup.title
print(tag.name) # 輸出: title
print(tag.attrs) # 輸出: {'class': ['tl']}
（2）NavigableString（文本內容）
- 對應標簽里的文本內容，如
<p>Hello</p>里的"Hello"。 - 可以用
.string獲取文本。
text = soup.p.string
print(text) # 輸出: Hello BeautifulSoup
（3）BeautifulSoup（整個文檔）
- 代表整個 HTML 文檔，可以看作最大的
Tag。 - 它的
.name是[document]。
print(soup.name) # 輸出: [document]
（4）Comment（注釋）
- 對應 HTML 注釋
<!-- 這是注釋 -->，但.string會去掉注釋符號。
comment = soup.find(text=lambda text: isinstance(text, Comment))
print(comment) # 輸出: 這是注釋
5. 搜索文檔樹
（1）find_all() 查找所有匹配的標簽
# 查找所有 <a> 標簽
links = soup.find_all("a")# 查找 class="elsie" 的所有標簽
elsie_tags = soup.find_all(class_="elsie")# 查找 id="link1" 的標簽
link1 = soup.find_all(id="link1")# 查找文本包含 "BeautifulSoup" 的標簽
text_match = soup.find_all(text="BeautifulSoup")
（2）find() 查找第一個匹配的標簽
first_link = soup.find("a") # 返回第一個 <a> 標簽
（3）CSS 選擇器（推薦！）
# 查找所有 <a> 標簽
soup.select("a")# 查找 class="elsie" 的所有標簽
soup.select(".elsie")# 查找 id="link1" 的標簽
soup.select("#link1")# 查找 body 下的所有 <a> 標簽
soup.select("body a")# 查找第一個匹配的標簽
soup.select_one(".elsie")
6. 總結
- BeautifulSoup 是 Python 爬蟲必備的 HTML/XML 解析庫。
- 推薦使用
lxml解析器，因為它最快。 - 4 種對象：
Tag、NavigableString、BeautifulSoup、Comment。 - 搜索方法：
find_all()查找所有匹配的標簽find()查找第一個匹配的標簽select()使用 CSS 選擇器（最方便！）
)
