BeautifulSoup就是Python的一个HTML或XML的解析库，可以用它来方便地从网页中提取数据。官方解释如下：
Beautiful Soup提供一些简单的、Python式的函数来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。
Beautiful Soup自动将输入文档转换为Unicode编码，输出文档转换为UTF-8编码。你不需要考虑编码方式，除非文档没有指定一个编码方式，这时你仅仅需要说明一下原始编码方式就可以了。
Beautiful Soup已成为和lxml、html6lib一样出色的Python解释器，为用户灵活地提供不同的解析策略或强劲的速度。
所以说，利用它可以省去很多烦琐的提取工作，提高了解析效率。
一、模块安装
使用之前，需要确保已经安装好了BeautifulSoup和lxml模块。
pip install beautifulsoup4 lxml
二、解析器选择
Beautiful Soup在解析时实际上依赖解析器，它除了支持Python标准库中的HTML解析器外，还支持一些第三方解析器（比如lxml）。下表为BeautifulSoup支持的解析器：
|
解析器 |
使用方法 |
优势 |
劣势 |
|---|---|---|---|
|
Python标准库 |
|
Python的内置标准库、执行速度适中、文档容错能力强 |
Python 2.7.3及Python 3.2.2之前的版本文档容错能力差 |
|
lxml HTML解析器 |
|
速度快、文档容错能力强 |
需要安装C语言库 |
|
lxml XML解析器 |
|
速度快、唯一支持XML的解析器 |
需要安装C语言库 |
|
html5lib |
|
最好的容错性、以浏览器的方式解析文档、生成HTML5格式的文档 |
速度慢、不依赖外部扩展 |
通过以上对比可以看出，lxml解析器有解析HTML和XML的功能，而且速度快，容错能力强，所以推荐使用它。
如果使用lxml，那么在初始化Beautiful Soup时，可以把第二个参数改为lxml即可：
from bs4 import BeautifulSoup soup = BeautifulSoup('<p>Hello</p>', 'lxml') print(soup.p.string)
三、基本用法
from bs4 import BeautifulSoup import requests, re req_obj = requests.get('https://www.baidu.com') soup = BeautifulSoup(req_obj.text, 'lxml') '''标签查找''' print(soup.title) # 只是查找出第一个 print(soup.find('title')) # 效果和上面一样 print(soup.find_all('div')) # 查出所有的div标签 '''获取标签里的属性''' tag = soup.div print(tag['class']) # 多属性的话，会返回一个列表 print(tag['id']) # 查找标签的id属性 print(tag.attrs) # 查找标签所有的属性，返回一个字典（属性名：属性值） '''标签包的字符串''' tag = soup.title print(tag.string) # 获取标签里的字符串 tag.string.replace_with("哈哈") # 字符串不能直接编辑，可以替换 '''子节点的操作''' tag = soup.head print(tag.title) # 获取head标签后再获取它包含的子标签 '''contents 和 .children''' tag = soup.body print(tag.contents) # 将标签的子节点以列表返回 print([child for child in tag.children]) # 输出和上面一样 '''descendants''' tag = soup.body [print(child_tag) for child_tag in tag.descendants] # 获取所有子节点和子子节点 '''strings和.stripped_strings''' tag = soup.body [print(str) for str in tag.strings] # 输出所有所有文本内容 [print(str) for str in tag.stripped_strings] # 输出所有所有文本内容，去除空格或空行 '''.parent和.parents''' tag = soup.title print(tag.parent) # 输出便签的父标签 [print(parent) for parent in tag.parents] # 输出所有的父标签 '''.next_siblings 和 .previous_siblings 查出所有的兄弟节点 ''' '''.next_element 和 .previous_element 下一个兄弟节点 ''' '''find_all的keyword 参数''' soup.find_all(id='link2') # 查找所有包含 id 属性的标签 soup.find_all(href=re.compile("elsie")) # href 参数,Beautiful Soup会搜索每个标签的href属性: soup.find_all(id=True) # 找出所有的有id属性的标签 soup.find_all(href=re.compile("elsie"), id='link1') # 也可以组合查找 soup.find_all(attrs={"属性名": "属性值"}) # 也可以通过字典的方式查找
更多详细使用可参考：https://cuiqingcai.com/5548.html