http://blog.csdn.net/kikaylee/article/details/56841789
’BeautifulSoup是Python的一个库，最主要的功能就是从网页爬取我们需要的数据。BeautifulSoup将html解析为对象进行处理，全部页面转变为字典或者数组，相对于正则表达式的方式，可以大大简化处理过程。
0x01 安装
建议安装BeautifulSoup 4版本 利用pip进行安装:
pip install beautifulsoup4- 1
BeautifulSoup默认支持Python的标准HTML解析库，但是它也支持一些第三方的解析库：
| 序号 | 解析库 | 使用方法 | 优势 | 劣势 |
|---|---|---|---|---|
| 1 | Python标准库 | BeautifulSoup(html,’html.parser’) | Python内置标准库；执行速度快 | 容错能力较差 |
| 2 | lxml HTML解析库 | BeautifulSoup(html,’lxml’) | 速度快；容错能力强 | 需要安装，需要C语言库 |
| 3 | lxml XML解析库 | BeautifulSoup(html,[‘lxml’,’xml’]) | 速度快；容错能力强；支持XML格式 | 需要C语言库 |
| 4 | htm5lib解析库 | BeautifulSoup(html,’htm5llib’) | 以浏览器方式解析，最好的容错性 | 速度慢 |
0x02 创建对象
导入库：
from bs4 import BeautifulSoup- 1
创建实例：
url='http://www.baidu.com'
resp=urllib2.urlopen(url)
html=resp.read()- 1
- 2
- 3
创建对象：
bs=BeautifulSoup(html)- 1
- 2
格式化输出内容：
print bs.prettify()- 1
0x03 对象种类
BeautifulSoup将复杂的html文档转换为树形结构，每一个节点都是一个对象，这些对象可以归纳为几种：
（1）Tag
Tag相当于html种的一个标签：
#提取Tag
print bs.title
print type(bs.title)- 1
- 2
- 3
结果：
<title>百度一下，你就知道</title>
<class 'bs4.element.Tag'>- 1
- 2
对于Tag，有几个重要的属性：
name:每个Tag对象的name就是标签本省的名称；
attrs:每个Tag对象的attrs就是一个字典，包含了标签的全部属性。
print bs.a.name
print bs.a.attrs- 1
- 2
输出：
a
{u'href': u'/', u'id': u'result_logo', u'onmousedown': u"return c({'fm':'tab','tab':'logo'})"}- 1
- 2
（2）NavigableString
Comment是一种特殊的NavigableString，对应的是注释的内容，但是其输出不包含注释符。看这样的一个例子：
#coding:utf-8
from bs4 import BeautifulSoup
html='''
<a class="css" href="http://example.com/test" id="test"><!--test --></a>
'''
bs=BeautifulSoup(html,"html.parser")
print bs.a
print bs.a.string- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
运行结果：
<a class="css" href="http://example.com/test" id="test"><!--def --></a>- 1
a标签的内容是注释，但是使用.string仍然输出了。这种情况下，我们需要做下判断：
#判断是否是注释
if type(bs.a.string)==element.Comment:
print bs.a.string- 1
- 2
- 3
再看下面的例子：
<a class="css1" href="http://example.com/cdd" id="css">abc<!--def -->gh</a>- 1
内容是注释和字符串混合，此时可以用contents获取全部对象：
for i in bs.a.contents:
print i- 1
- 2
如果需要忽略注释内容的话，可以利用get_text()或者.text：
print bs.a.get_text()- 1
如果想在BeautifulSoup之外使用 NavigableString 对象，需要调用unicode()方法，将该对象转换成普通的Unicode字符串，否则就算BeautifulSoup已方法已经执行结束，该对象的输出也会带有对象的引用地址，这样会浪费内存。
0x04 搜索文档树
重点介绍下find_all()方法：
find_all( name , attrs , recursive , text , **kwargs )- 1
（1）name参数
name参数可以查找所有名字为name的Tag，字符串对象自动忽略掉。
print bs.find_all('a')- 1
传列表：
print bs.find_all(['a','b'])- 1
传入正则表达式：
print bs.find_all(re.compile('^b'))- 1
所有以b开头的标签对象都会被找到。
传递方法：
def has_class_but_not_id(tag):
return tag.has_attr('class') and not tag.has_attr('id')
print bs.find_all(has_class_but_not_id)- 1
- 2
- 3
（2）kwyowrds关键字
print bs.find_all(id='css')
print bs.find_all(id=re.compile('^a'))- 1
- 2
还可以混合使用：
print bs.find_all(id='css',href=re.compile('^ex'))- 1
可以使用class作为过滤，但是class是Python中的关键字，可以使用class_代替，或者采用字典的形式传输参数：
print bs.find_all(class_='css')
print bs.find_all(attrs={'class':'css'})- 1
- 2
（3）text参数
用来搜索文档中的字符串内容，text参数也接收字符串、正则表达式、列表、True等参数。
print bs.find_all(text=re.compile('^abc'))- 1
（4）limit参数
限制返回对象的个数，与数据库SQL查询类似。
（5）recursive参数
调用tag的find_all()方法时，BeautifulSoup会检索当前tag的所有子孙节点，如果只想搜索tag的直接子节点，可以使用参数 recursive=False。
0x05 CSS选择器
可以采用CSS的语法格式来筛选元素：
#标签选择器
print bs.select('a')
#类名选择器
print bs.select('.css')
#id选择器
print bs.select('#css')
#属性选择器
print bs.select('a[class="css"]')
#遍历
for tag in bs.select('a'):
print tag.get_text()- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
对于喜欢用CSS语法的人来说，这种方式非常方便。如果你仅仅需要CSS选择器的功能，那么直接使用 lxml 也可以，而且速度更快，支持更多的CSS选择器语法，但Beautiful Soup整合了CSS选择器的语法和自身方便使用API。