1、安装
pip install beautifulsoup4
安装解析器
pip install lxml
pip install html5lib
建议安装lxml作为解析器，因为速度快，文档容错能力强，效率
2、简单使用
HTML文档：
<!DOCTYPE html> <html> <head> <meta content="text/html;charset=utf-8" http-equiv="content-type" /> <meta content="IE=Edge" http-equiv="X-UA-Compatible" /> <meta content="always" name="referrer" /> <link href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css" rel="stylesheet" type="text/css" /> <title>百度一下，你就知道 </title> </head> <body link="#0000cc"> <div id="wrapper"> <div id="head"> <div class="head_wrapper"> <div id="u1"> <a class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻 </a> <a class="mnav" href="https://www.hao123.com" name="tj_trhao123">hao123 </a> <a class="mnav" href="http://map.baidu.com" name="tj_trmap">地图 </a> <a class="mnav" href="http://v.baidu.com" name="tj_trvideo">视频 </a> <a class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">贴吧 </a> <a class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;">更多产品 </a> </div> </div> </div> </div> </body> </html>
python代码：
from bs4 import BeautifulSoup file = open('../pachong.html', 'rb') html = file.read() bs = BeautifulSoup(html, "html.parser") # print(bs.prettify()) # 格式化html结构 print(bs.title) # 获取title标签 print(bs.title.name) # 获取title标签的name print(bs.title.string) # 获取title标签的文本内容 print(bs.title.get_text()) # print(bs.head) print(bs.div) # 获取第一个div标签中的所有内容 print(bs.div["id"]) # 获取第一个div标签的id的值 print(bs.a) # 获取第一个a标签 print(bs.find_all("a")) # 获取所有的a标签 print(bs.find(id="u1")) # 获取id="u1"的标签 for item in bs.find_all("a"): print(item.get("href")) # 获取所有的a标签，并遍历打印a标签中的href的值 for item in bs.find_all("a"): print(item.string) # 获取所有的a标签，并遍历打印a标签的文本内容
Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种: Tag , NavigableString , BeautifulSoup , Comment .
Tag：
通俗点讲就是HTML中的一个个标签，例如：
from bs4 import BeautifulSoup file = open('../pachong.html', 'rb') html = file.read() bs = BeautifulSoup(html,"html.parser") # 获取title标签的所有内容 print(bs.title) # 获取head标签的所有内容 print(bs.head) # 获取第一个a标签的所有内容 print(bs.a) # 类型 print(type(bs.a))
tag中重要的属性：name和attributes
from bs4 import BeautifulSoup file = open('../pachong.html', 'rb') html = file.read() bs = BeautifulSoup(html,"html.parser") # [document] #bs 对象本身比较特殊，它的 name 即为 [document] print(bs.name) # head #对于其他内部标签，输出的值便为标签本身的名称 print(bs.head.name) # 在这里，我们把 a 标签的所有属性打印输出了出来，得到的类型是一个字典。 print(bs.a.attrs) #还可以利用get方法，传入属性的名称，二者是等价的 print(bs.a['class']) # 等价 bs.a.get('class') # 可以对这些属性和内容等等进行修改 bs.a['class'] = "newClass" print(bs.a) # 还可以对这个属性进行删除 del bs.a['class'] print(bs.a)
3、遍历文档树
3.1、.contents：获取Tag的所有子节点，返回一个list
# tag的.content 属性可以将tag的子节点以列表的方式输出 print(bs.head.contents) # 用列表索引来获取它的某一个元素 print(bs.head.contents[1])
3.2、.children：获取Tag的所有子节点，返回一个生成器
print(type(bs.head.children)) for child in bs.head.children: print(child)
3.3、.descendants：获取Tag的所有子孙节点
3.4、.strings：如果Tag包含多个字符串，即在子孙节点中有内容，可以用此获取，而后进行遍历
3.5、.stripped_strings：与strings用法一致，只不过可以去除掉那些多余的空白内容
3.6、.parent：获取Tag的父节点
3.7、.parents：递归得到父辈元素的所有节点，返回一个生成器
3.8、.previous_sibling：获取当前Tag的上一个节点，属性通常是字符串或空白，真实结果是当前标签与上一个标签之间的顿号和换行符
3.9、.next_sibling：获取当前Tag的下一个节点，属性通常是字符串或空白，真是结果是当前标签与下一个标签之间的顿号与换行符
3.10、.previous_siblings：获取当前Tag的上面所有的兄弟节点，返回一个生成器
3.11、.next_siblings：获取当前Tag的下面所有的兄弟节点，返回一个生成器
3.12、.previous_element：获取解析过程中上一个被解析的对象(字符串或tag)，可能与previous_sibling相同，但通常是不一样的
3.13、.next_element：获取解析过程中下一个被解析的对象(字符串或tag)，可能与next_sibling相同，但通常是不一样的
3.14、.previous_elements：返回一个生成器，可以向前访问文档的解析内容
3.15、.next_elements：返回一个生成器，可以向后访问文档的解析内容
3.16、.has_attr：判断Tag是否包含属性
4、搜索文档树
4.1、find_all(name, attrs, recursive, text, **kwargs)
在上面的栗子中我们简单介绍了find_all的使用，接下来介绍一下find_all的更多用法-过滤器。这些过滤器贯穿整个搜索API，过滤器可以被用在tag的name中，节点的属性等。
（1）name参数：
字符串过滤：会查找与字符串完全匹配的内容
a_list = bs.find_all("a") print(a_list)
正则表达式过滤：如果传入的是正则表达式，那么BeautifulSoup4会通过search()来匹配内容
t_list = bs.find_all(re.compile("a")) for item in t_list: print(item)
列表：如果传入一个列表，BeautifulSoup4将会与列表中的任一元素匹配到的节点返回
t_list = bs.find_all(["meta","link"]) for item in t_list: print(item)
方法：传入一个方法，根据方法来匹配
def name_is_exists(tag): return tag.has_attr("name") t_list = bs.find_all(name_is_exists) for item in t_list: print(item)
（2）kwargs参数：
# 查询id=head的Tag t_list = bs.find_all(id="head")
print(t_list) # 查询href属性包含ss1.bdstatic.com的Tag t_list = bs.find_all(href=re.compile("http://news.baidu.com")) print(t_list) # 查询所有包含class的Tag(注意：class在Python中属于关键字，所以加_以示区别) t_list = bs.find_all(class_=True) for item in t_list: print(item)
（3）attrs参数：
并不是所有的属性都可以使用上面这种方式进行搜索，比如HTML的data-*属性：
t_list = bs.find_all(data-foo="value")
如果执行以上这行代码，将会报错。我们可以使用attrs参数，定义一个字典来搜索包含特殊属性的tag：
t_list = bs.find_all(attrs={"data-foo":"value"})
for item in t_list:
print(item)
（4）text参数：
通过text参数可以搜索文档中的字符串内容，与name参数的可选值一样，text参数接受 字符串，正则表达式，列表
t_list = bs.find_all(attrs={"data-foo": "value"})
for item in t_list:
print(item)
t_list = bs.find_all(text="hao123")
for item in t_list:
print(item)
t_list = bs.find_all(text=["hao123", "地图", "贴吧"])
for item in t_list:
print(item)
t_list = bs.find_all(text=re.compile("d"))
for item in t_list:
print(item)
当我们搜索text中的一些特殊属性时，同样也可以传入一个方法来达到我们的目的：
def length_is_two(text): return text and len(text) == 2 t_list = bs.find_all(text=length_is_two) for item in t_list: print(item)
（5）limit参数：
可以传入一个limit参数来限制返回的数量，当搜索出的数据量为5，而设置了limit=2时，此时只会返回前2个数据
t_list = bs.find_all("a",limit=2) for item in t_list: print(item)
find_all除了上面一些常规的写法，还可以对其进行一些简写：
# 两者是相等的 # t_list = bs.find_all("a") => t_list = bs("a") t_list = bs("a") # 两者是相等的 # t_list = bs.a.find_all(text="新闻") => t_list = bs.a(text="新闻") t_list = bs.a(text="新闻")
4.2、find()
find()将返回符合条件的第一个Tag，有时我们只需要或一个Tag时，我们就可以用到find()方法了。当然了，也可以使用find_all()方法，传入一个limit=1，然后再取出第一个值也是可以的，不过未免繁琐。
# 返回只有一个结果的列表 t_list = bs.find_all("title",limit=1) print(t_list) # 返回唯一值 t = bs.find("title") print(t) # 如果没有找到，则返回None t = bs.find("abc") print(t)
从结果可以看出find_all，尽管传入了limit=1，但是返回值仍然为一个列表，当我们只需要取一个值时，远不如find方法方便。但
是如果未搜索到值时，将返回一个None
在上面介绍BeautifulSoup4的时候，我们知道可以通过bs.div来获取第一个div标签，如果我们需要获取第一个div下的第一个div，
我们可以这样：
t = bs.div.div # 等价于 t = bs.find("div").find("div")
5、CSS选择器
BeautifulSoup支持发部分的CSS选择器，在Tag获取BeautifulSoup对象的.select()方法中传入字符串参数，即可使用CSS选择器的语法找到Tag:
5.1、通过标签名查找
print(bs.select('title')) print(bs.select('a'))
5.2、通过类名查找
print(bs.select('.mnav'))
5.3、通过id查找
print(bs.select('#u1'))
5.4、组合查找
print(bs.select('div .bri'))
5.5、属性查找
print(bs.select('a[class="bri"]')) print(bs.select('a[href="http://tieba.baidu.com"]'))
5.6、直接子标签查找
t_list = bs.select("head > title") print(t_list)
5.7、兄弟节点标签查找
t_list = bs.select(".mnav ~ .bri") print(t_list)
5.8、获取内容
t_list = bs.select("title") print(bs.select('title')[0].get_text())