一、強大的BeautifulSoup：BeautifulSoup是一個(gè)可以從html或xml文件中提取數據的Python庫。它能夠通過(guò)你喜歡的轉換器實(shí)現慣用的文檔導航、查找、修改文檔的方式。在Python開(kāi)發(fā)中，主要用的是BeautifulSoup的查找提取功能，修改功能很少使用
1、安裝BeautifulSoup
pip3 install beautifulsoup4
2、安裝第三方html解析器lxml
pip3 install lxml
3、安裝純Python實(shí)現的html5lib解析器
pip3 install html5lib
二、BeautifulSoup的使用：
1、導入bs4庫
frombs4 import BeautifulSoup #導入bs4庫
2、創(chuàng )建包含html代碼的字符串
html_str= """
<html><head><title>TheDormouse's story</title></head>
<body>
<pclass="title"><b>The Dormouse's stopy</b></p>
<pclass="story">Once upon a time there were three littlesisters;and their names where
<a class="sister"id="link1"><!--Elsie--></a>
"""
3、創(chuàng )建BeautifulSoup對象
（1）直接通過(guò)字符串方式創(chuàng )建
soup= BeautifulSoup(html_str,'lxml')#html.parser是解析器，也可是lxml
print(soup.prettify())------>輸出soup對象的內容
（2）通過(guò)已有的文件來(lái)創(chuàng )建
soup= BeautifulSoup(open('/home/index.html'),features='html.parser')#html.parser是解析器，也可是lxml
4、BeautifulSoup對象的種類(lèi)：BeautifulSoup將復雜HTML文檔轉換成一個(gè)復雜的樹(shù)形結構，每個(gè)節點(diǎn)都是Python對象
（1）BeautifulSoup：表示的是一個(gè)文檔的全部?jì)热?。大部分時(shí)候，可以把它當作Tag對象，是一個(gè)特殊的Tag，因為BeautifulSoup對象并不是真正的HTML和XML，所以沒(méi)有name和attribute屬性
（2）Tag：與XML或HTML原生文檔中的Tag相同，通俗講就是標記
如：
抽取title：print（soup.title）
抽取a：print（soup.a）
抽取p：print（soup.p）
Tag中有兩個(gè)重要的屬性：name和attributes。每個(gè)Tag都有自己的名字，通過(guò).name來(lái)獲取
print（soup.title.name）
操作Tag屬性的方法和操作字典相同
如：<pclass=’p1’>Hello World</p>
print（soup.p[‘class’]）
也可以直接“點(diǎn)”取屬性，如 .attrs獲取Tag中所有屬性
print（soup.p.attrs）
（3）NavigableString：獲取標記內部的文字.string
BeautifulSoup用NavigableString類(lèi)來(lái)封裝Tag中的字符串，一個(gè)NavigableString字符串與Python中的Unicode字符串相同，通過(guò)unicode（）方法可以直接將NavigableString對象轉換成Unicode字符串
如：u_string= unicode(soup.p.string)
（4）Comment：對于一些特殊對象，如果不清楚這個(gè)標記.string的情況下，可能造成數據提取混亂。因此在提取字符串時(shí)，可以判斷下類(lèi)型：
if type(soup.a.string) == bs4.element.Comment:
print(soup.a.string)
5、遍歷文檔
（1）子節點(diǎn)：
A、對于直接子節點(diǎn)可以通過(guò).contents和 .children來(lái)訪(fǎng)問(wèn)
.contents---->將Tag子節點(diǎn)以列表的方式輸出
print（soup.head.contents）
.children----->返回一個(gè)生成器，對Tag子節點(diǎn)進(jìn)行循環(huán)
for child in soup.head.children:
print（child）
B、獲取子節點(diǎn)的內容
.string --->如果標記里沒(méi)有標記了，則返回內容；如果標記里只有一個(gè)唯一的標記，則返回最里面的內容；如果包含多個(gè)子節點(diǎn)，Tag無(wú)法確定.string方法應該返回哪個(gè)時(shí)，則返回None
.strings---->主要應用于Tag中包含多個(gè)字符串的情況，可以進(jìn)行循環(huán)遍歷
for str in soup.strings:
print（repr(str)）
.stripped_string----->可以去掉字符串中包含的空格或空行
for str in soup.stripped_strings:
print(repr(str))
（2）父節點(diǎn)
A、通過(guò).parent屬性來(lái)獲取某個(gè)元素的父節點(diǎn)，如：
print（soup.title.parent）
B、通過(guò).parents屬性可以遞歸得到元素的所有父輩節點(diǎn)
for parent in soup.a.parents:
if parent is None:
print(parent)
else:
print(parent.name)
（3）兄弟節點(diǎn)
.next_sibling----->獲取該節點(diǎn)的下一個(gè)兄弟節點(diǎn)
.previous_sibling ----->獲取該節點(diǎn)的上一個(gè)兄弟節點(diǎn)
（4）前后節點(diǎn)
.next_elements ----->獲得該節點(diǎn)前面的所有節點(diǎn)
.previous_elements ----->獲得該節點(diǎn)后面的所有節點(diǎn)
6、搜索文檔樹(shù)
（1）find_all(name,attrs,recursive,text,**kwargs)
A、name參數：查找名字為name的標記
print（soup.find_all(‘‘’’b)）
B、text參數：查找文檔中字符串的內容
C、recursive參數：檢索當前Tag的所有子孫節點(diǎn)時(shí)，若只想找直接子節點(diǎn)， 該參數設置為False
7、CSS選擇器：使用soup.select()函數
（1）通過(guò)標記名查找
print（soup.select("title")）
（2）通過(guò)Tag的class屬性值查找
print（soup.select(".sister")）
（3）通過(guò)Tag的id屬性值查找
print（soup.select("#sister")）
（4）通過(guò)是否存在某個(gè)屬性查找
print（soup.select("a[href]")）
（5）通過(guò)屬性值查找
print（soup.select('a[)）
聯(lián)系客服
