Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库。使用它来处理HTML页面就像JavaScript代码操作HTML DOM树一样方便。官方中文文档地址
1. 安装
1.1 安装 Beautiful Soup
Beautiful Soup3 目前已经停止维护，推荐使用 Beautiful Soup4，现在已经被移植到 bs4，导入的时候需要从 bs4 导入。安装方法如下：
# 使用 pip 安装
pip install beautifulsoup4
# 使用 easy_install 安装
easy_install beautifulsoup4
1.2 安装解析器 lxml
另外还需要安装相应的解析器，lxml，html5lib 任选一个即可。
# 安装 lxml
pip install lxml
# 安装 html5lib
pip install html5lib
1.3 使用方法
安装了 BeautifulSoup 以后可以导入使用。将一段文档传入BeautifulSoup 的构造方法,就能得到一个文档的对象, 可以传入一段字符串或一个文件句柄.
# 首先从 bs4 导入
from bs4 inport BeautifulSoup
# 使用解析器和html文档可以初始化
soup = BeautifulSoup(open("index.html"), 'lxml')
content = '<html>data</html>'
soup = BeautifulSoup(content, 'lxml')
文档需要转换成Unicode,并且HTML的实例都被转换成Unicode编码
2. BeautifulSoup中的对象
Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构，类似于浏览器中的DOM节点数，每个节点都是Python对象，所有对象可以归纳为4种: Tag , NavigableString , BeautifulSoup , Comment 。
2.1 tag 对象
tag 对象类似于一个标签节点。与XML或HTML原生文档中的标签相同，如 body，div，a，span。tag 对象有很多方法和属性。tag 对象的属性可以像字典一样进行增删改查操作。
2.1.1 name 属性
name 属性表示 tag 的名称。通过 .name 获取。如果改变了tag的name,那将影响所有通过当前Beautiful Soup对象生成的HTML文档。
2.1.2 attributes 属性
一个tag可能有很多个属性，使用 tag.attrs 获取 tag 的所有节点属性，可以对这些属性进行增删改查。获取方法如下：
- tag.attrs：获取属性列表
- tag.attrs[1]：获取属性列表中的第2个属性
- tag.get('href')：获取 href 属性
- tag['href']：获取 href 属性
2.1.3 多值属性
在HTML文档中有典型像 class 一样的有多个属性值，这些多值属性返回的值不是 string ，而是 list 。这些多值属性的节点类型如下：
- class
- rel
- rev
- accept-charset
- headers
- accesskey
在XML文档中没有多值属性
content = '<a href="index.html" class="button button-blue" data="1 2 3"></a>'
soup = BeautifulSoup(content, 'lxml')
tag = soup.a # 获取 a 标签
tag.name # 标签名称：a
tag.attrs # 属性列表：['href', 'class', 'data']
tag.get('href') # 获取href属性：index.html
tag['class'] # 获取class属性为list：[button,button-blue]
tag['data'] # data属性的值为string：1 2 3
2.2 NavigableString 对象
字符串常被包含在tag内，Beautiful Soup用 NavigableString 类来包装tag中的字符串。
- 使用 tag.string 获取 tag 内字符串，为NavigableString
- 使用 unicode(tag.string) 转换为一般Unicode字符串
- tag 内字符串不能编辑
- tag.string.replace_with('content') 替换 tag 内字符串
- tag 内字符串不支持 .contents 或 .string 属性或 find() 方法
- 在Beautiful Soup之外使用 NavigableString 对象需要调用 unicode() 方法
2.3 BeautifulSoup 对象
BeautifulSoup 对象表示的是一个文档的全部内容。大部分时候，可以把它当作 tag 对象。
因为 BeautifulSoup 对象并不是真正的HTML或XML的tag，BeautifulSoup 对象包含了一个值为 “[document]” 的特殊属性 .name。
2.4 Comment 对象
Comment 对象是一个特殊类型的 NavigableString 对象，用来表示文档的注释部分。
markup = "<b><!--Hey, buddy. Want to buy a used parser?--></b>"
soup = BeautifulSoup(markup)
comment = soup.b.string
type(comment) # <class 'bs4.element.Comment'>
print(soup.b.prettify())
# <b>
# <!--Hey, buddy. Want to buy a used parser?-->
# </b>
3. 遍历文档树
通过遍历文档树，能够从文档中找到指定的内容。
3.1 子节点
一个 tag 可能包含多个字符串或者其他 tag，这些 tag 就是顶层的子节点，Beautiful Soup提供了许多操作和遍历子节点的属性。需要注意：
- 字符串没有子节点。
- BeautifulSoup 对象本身一定会包含子节点
假设有以下几种简单的方式获取子节点：
- 使用tag名：获取第一个直接子节点：soup.div.p
- 使用contents属性：获取所有直接子节点列表：soup.div.contents
- 使用children属性： 对子节点进行循环：soup.div.children
- 使用descendants属性：所有tag的子孙节点进行递归循环：soup.div.descendants
- 使用string属性：获取只有一个string子节点tag的子节点：p.string
- 使用strings属性：循环有多个string子节点的情况：div.strings
div_html = '
<div>
<p>uu</p>
<p>sa</p>
<p>
<a>ma</a>
-->
</p>
</div>'
soup = BeautifulSoup(div_html), 'lxml')
div = soup.div # 获取 div 节点
div.p # <p>uu</p>
div.contents
# [<p>uu</p>, <p>sa</p>, <p><a>ma</a>--></p>]
div.contents[0] # <p>uu</p>
for child in div.children:
print(child)
# <p>uu</p><p>sa</p><p><a>ma</a>--></p>
for child in div.descendants:
pring(child)
3.2 父节点
每个tag或字符串都有父节点，即每个节点都被包含在tag中，通过 .parent 属性来获取某个元素的父节点： p.parent，通过元素的 .parents 属性可以递归得到元素的所有父辈节点。
soup = BeautifulSoup(div_html), 'lxml') # 使用3.1中定义的 div_html
div = soup.div # 获取 div 节点
sa = div.a.string # 第一个 a 节点的string
sa.parent # a 节点
sa.parent.parent # div 节点
for parent in sa.parents:
print(parent)
# a
# div
# [document]
# None
3.3 兄弟节点
兄弟节点就是具有相同父节点的同义词节点。如3.1中定义的 div_html 中的3个p标签互相为兄弟节点。使用下面的节点tag属性访问兄弟节点
- next_sibling：当前节点的下一个兄弟节点
- previous_sibling：当前节点的上一个兄弟节点
- next_siblings：当前节点之后的所有兄弟节点
- previous_siblings：当前节点之前的所有兄弟节点
4. 搜索文档树
搜索功能可以说是写爬虫过程中必用的功能，用来查找指定的节点，Beautiful Soup定义了很多搜索方法，这些搜索方法的参数和用法都很类似，查询功能非常强大，下面主要针对 find_all 方法说明。
4.1 过滤器
过滤器是使用搜索方法过程中的匹配规则，即参数的可能取值。过滤器可以为下面几种形式：
- 字符串：find_all('div')
- 列表：find_all(['div', 'span'])
- 正则表达式：find_all(re.compile('[a-z]{1,3}'))
- True：匹配任意非字符串子节点
- 方法：相当于匹配的回调函数，该方法返回 True 表示匹配
content = '<nav><a>a_1</a><a>a_2</a>string</nav>'
soup = BeautifulSoup(content), 'lxml')
nav_node = soup.nav
# <nav><a>a_1</a><a>a_2</a>string</nav>
nav_node.find_all(True) # 不匹配 string
# ['<a>a_1</a>', '<a>a_2</a>']
def has_class_but_no_id(tag): # 定义匹配函数
return tag.has_attr('class') and not tag.has_attr('id')
soup.find_all(has_class_but_no_id) # 返回有class属性没有id属性的节点
4.2 find_all() find() 方法
find_all 方法返回匹配搜索的所有节点的列表或者空，而 find 方法直接返回第一个匹配搜索的结果。详细的定义如下：
find_all(name=None, attrs={}, recursive=True, text=None, limit=None, **kwargs)
find_find(name=None, attrs={}, recursive=True, text=None, limit=None, **kwargs)
各参数含义如下：
- name：匹配 tag 标签名
- attrs：匹配属性名：find_all(href='index.html')
- text：匹配文档中的字符串内容
- limit：指定匹配的结果集数量
- recursive：默认True，False表示只搜索直接子节点
以上的参数值都可以是 4.1 中说明的任意一种过滤器值。另外还需要注意以下几点：
- attrs 参数为字典类型，可以是多个属性条件组合
- 单独使用 class 属性时，应该使用 class_
- class 属性为多值属性，会分别搜索每个 CSS 类名
- 按照CSS类目完全匹配时，必须顺序相同
# 搜索所有 div 标签
soup.find_all('div')
# 搜索所有具有id属性并且id属性值为 link1 或者 link2 的节点
soup.find_all(id=['link1', 'link2'])
# 搜索所有 class 属性包含 button 的节点
soup.find_all(class_='button')
# 搜索所有匹配给定正则表达式内容的 p 标签
soup.find_all('p', text=re.compile('game'))
# 搜索具有 button 类，并且具有值为 link1 的 href 属性的 a 标签
soup.find_all('a', {'classl': 'button', 'href': 'link1'})
# 只搜索一个直接子节点的 a 标签
soup.find_all('a', limit=1, recursive=False)
4.3 其他方法
其他的搜索方法参数和 find_all 和 find 类似，它们成对出现，分别返回结果列表和第一个匹配的结果，只是搜索文档的范围不一样，下面列举一些常用的：
- find_parents() 和 find_parent()：只从当前节点的父节点中搜索
- find_next_siblings() 和 find_next_sibling()：只从当前节点的后面的兄弟节点搜索
- find_previous_siblings() 和 find_previous_sibling()：只从当前节点的前面的兄弟节点搜索
- find_all_next() 和 find_next()：从当前节点之后的节点搜索
- find_all_previous() 和 find_previous()：从当前节点之前的节点搜索
4.4 CSS选择器
Beautiful Soup支持大部分的CSS选择器，使用 select() 方法来搜索。如id选择器，标签选择器，属性选择器设置组合选择器。如：
- soup.select('body a')
- soup.select('#top')
- soup.select('div > span')
- soup.select('.button + img')
5. 修改文档树
当我们得到搜索结果以后，希望搜索结果中的某些节点不参与之后的搜索，那么就需要把这些节点删除掉，这就需要对文档树修改。修改的方法如下：
- append()：向当前tag中添加内容(string)
- new_tag()，new_string()：添加一段文本
- insert(index, content)：在 index 位置插入属性
- insert_before() 和 insert_after()：在当前节点前后插入内容
- clear()：移除当前节点内容
- extract()；将当前tag移除文档树，并作为结果返回
- decompose()：将当前节点移除文档树并完全销毁
- replace_with()：移除文档树中的某段内容，并用新tag或文本节点替代它
- wrap()：对指定的tag元素进行包装，并返回包装后的结果
6. 输出
有时候，需要对查到的或者修改过的文档树展示或者保存。
prettify() 方法将Beautiful Soup的文档树格式化后以Unicode编码输出，每个XML/HTML标签都独占一行。BeautifulSoup 对象和它的tag节点都可以调用 prettify() 方法。
可以对一个 BeautifulSoup 对象或 Tag 对象使用Python的 unicode() 或 str() 方法，从而对输出结果进行压缩。