目录
前言
一、Beautiful Soup 简介
1.1 Beautiful Soup概述
1.2 准备工作
1.3 解析器
二、基本使用
三、节点选择器的使用
3.1 选择元素
3.2 提取信息
3.2.1 获取名称
3.2.2 获取属性
3.2.3 获取内容
3.3 嵌套选择
3.4 关联选择
3.4.1 子节点和子孙节点
3.4.2 父节点和祖先节点
3.4.3 兄弟节点
3.4.4 提取信息
前言
在之前的内容中，我们深入探讨了正则表达式的多种用法。然而，正则表达式并非十全十美，一旦出现编写错误或逻辑漏洞，最终得到的结果往往与我们的预期大相径庭。
网页作为一种具有特定结构和层级关系的信息载体，许多节点都通过 id 或 class 进行了明确区分。那么，能否利用这些网页的结构和属性特点，找到一种更为高效、准确的提取方法呢？
在本节中，我们将为大家介绍一个强大的网页解析工具 ——Beautiful Soup。它能够依据网页的结构和属性等特性，轻松地对网页进行解析。使用 Beautiful Soup，我们无需再编写复杂冗长的正则表达式，只需几条简洁明了的语句，就能完成网页中特定元素的提取工作。
接下来，让我们一起深入了解 Beautiful Soup 的强大功能，开启高效解析网页的新篇章！
一、Beautiful Soup 简介
1.1 Beautiful Soup概述
简单来说，BeautifulSoup 是 Python 语言中一个专门用于解析 HTML 或 XML 的强大库。它提供了极为便捷的方式，能够轻松地从网页中抽取我们所需的数据。其官方对 BeautifulSoup 的解释为：
BeautifulSoup 提供了一系列简单易用、充满 Python 风格的函数，这些函数可以实现导航、搜索、修改分析树等多种功能。它就像一个功能齐全的工具箱，通过对文档进行解析，为用户精准地提供所需抓取的数据。而且，BeautifulSoup 的使用非常简便，只需少量的代码，就能构建出一个功能完整的应用程序。
此外，BeautifulSoup 还具备自动转换编码的功能。它会自动将输入的文档转换为 Unicode 编码，输出的文档则转换为 utf - 8 编码。当然，如果文档本身没有指定编码方式，用户只需简单说明原始编码方式即可。
如今，BeautifulSoup 已经与 lxml、html5lib 等一样，成为了出色的 Python 解释器。它能够为用户灵活地提供不同的解析策略，并且在解析速度方面表现强劲。
由此可见，借助 Beautiful Soup，我们可以大大简化繁琐的网页数据提取工作，显著提升解析效率。
1.2 准备工作
在开始使用 Beautiful Soup 进行网页解析之前，请务必确保已经正确安装了 Beautiful Soup 和 lxml 库。如果还没有安装，请自行安装。
1.3 解析器
Beautiful Soup 在进行网页解析时，实际上是依赖于解析器来完成工作的。它不仅支持 Python 标准库中自带的 HTML 解析器，还兼容一些功能强大的第三方解析器，比如 lxml。下面的表详细列出了 Beautiful Soup 所支持的各种解析器。
Beautiful Soup支持的解析器
通过上述对比可以清晰地看出，lxml 解析器不仅具备解析 HTML 和 XML 的双重功能，而且在速度方面表现出色，同时还具有很强的容错能力。因此，我们强烈推荐使用 lxml 解析器。
如果选择使用 lxml 解析器，在初始化 Beautiful Soup 对象时，只需将第二个参数设置为 lxml 即可。示例代码如下：
from bs4 import BeautifulSoup
soup = BeautifulSoup('<p>Hello</p>', 'lxml')
print(soup.p.string)在后续关于 Beautiful Soup 的用法实例演示中，我们将统一采用 lxml 解析器进行讲解。
二、基本使用
下面，我们通过一个具体的实例来深入了解 Beautiful Soup 的基本使用方法：
html = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1"><!-- Elsie --></a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.prettify())
print(soup.title.string)运行结果：
在这个例子中，我们首先定义了一个名为 html 的变量，它存储了一段 HTML 字符串。需要注意的是，这段字符串并不是一个完整的 HTML 字符串，其中的 body 和 html 节点都没有闭合。
接下来，我们将 html 字符串作为第一个参数传递给 BeautifulSoup 对象，同时将第二个参数设置为解析器类型 “lxml”，这样就完成了 BeautifulSoup 对象的初始化，并将其赋值给了 soup 变量。
初始化完成后，我们就可以调用 soup 对象的各种方法和属性，来对这段 HTML 代码进行解析了。
首先，我们调用了 prettify () 方法。这个方法的作用是将待解析的字符串以标准缩进格式输出，使代码结构更加清晰易读。需要特别注意的是，在输出结果中，我们可以看到原本未闭合的 body 和 html 节点都已经自动闭合了。这并不是 prettify () 方法的作用，而是在初始化 BeautifulSoup 对象时，它就已经自动对不规范的 HTML 字符串进行了格式校正。
然后，我们调用了 soup.title.string。这里的 soup.title 可以选中 HTML 中的 title 节点，而 string 属性则用于获取该节点中的文本内容。通过这两个简单的属性调用，我们就轻松完成了文本的提取工作，充分体现了 Beautiful Soup 的便捷性。
三、节点选择器的使用
在 Beautiful Soup 中，直接调用节点的名称就可以选择对应的节点元素，再调用 string 属性就能够获取节点内的文本内容。这种选择方式的优点是速度非常快，特别适用于单个节点结构层次清晰的情况。
3.1 选择元素
下面，我们通过一个具体的例子来详细说明如何选择元素：
html = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1"><!-- Elsie --></a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.title)
print(type(soup.title))
print(soup.title.string)
print(soup.head)
print(soup.p)运行结果：
在这个例子中，我们仍然使用了之前的 HTML 代码。首先，我们打印输出了 title 节点的选择结果，可以看到输出的正是 title 节点及其内部的文字内容。
接着，我们输出了 title 节点的类型，结果是 bs4.element.Tag 类型。这是 Beautiful Soup 中一个非常重要的数据结构，经过选择器选择后的结果，通常都是这种 Tag 类型。
Tag 类型具有一些实用的属性，比如 string 属性。当我们调用 string 属性时，就可以获取到节点的文本内容，这也正是接下来的输出结果。
然后，我们尝试选择了 head 节点，输出结果显示的是 head 节点及其内部的所有内容。
最后，我们选择了 p 节点。但这里需要注意的是，输出结果仅仅是第一个 p 节点的内容，后面的几个 p 节点并没有被选中。这表明，当存在多个相同节点时，这种直接调用节点名称的选择方式只会选择到第一个匹配的节点，而忽略后面的其他节点。
3.2 提取信息
在前面的演示中，我们展示了如何通过调用 string 属性来获取节点文本的值。那么，如何获取节点属性的值呢？又如何获取节点的名称呢？下面，我们将对这些信息的提取方式进行统一梳理。
3.2.1 获取名称
在 Beautiful Soup 中，可以利用 name 属性来获取节点的名称。我们还是以上面的文本为例，选取 title 节点，然后调用 name 属性，就可以得到节点的名称：
print(soup.title.name)运行结果:
title
3.2.2 获取属性
每个节点都可能拥有多个属性，比如常见的 id 和 class 等。在选择了一个节点元素后，可以通过调用 attrs 方法来获取该节点的所有属性：
print(soup.p.attrs)
print(soup.p.attrs['name'])运行结果：
从运行结果可以看出，attrs 的返回结果是一个字典形式，它将选择的节点的所有属性和属性值组合成了一个字典。
如果我们想要获取某个特定的属性值，比如 name 属性，就相当于从字典中获取某个键值，只需要使用中括号加上属性名即可。例如，要获取 name 属性的值，可以通过 attrs['name'] 来实现。
其实，还有一种更简便的获取属性值的方式，我们可以不用写 attrs，直接在节点元素后面加上中括号，传入属性名就可以获取属性值了。示例代码如下：
print(soup.p['name'])
print(soup.p['class'])运行结果如下：
dromouse
['title']
在这里需要注意的是，不同属性的返回结果类型可能不同。有的返回结果是字符串，比如 name 属性的值是唯一的，所以返回的是单个字符串；而对于 class 属性，一个节点元素可能有多个 class，因此返回的是一个由字符串组成的列表。在实际处理过程中，我们需要根据具体情况判断属性值的类型。
3.2.3 获取内容
我们可以利用 string 属性来获取节点元素所包含的文本内容。例如，要获取第一个 p 节点的文本内容，可以使用以下代码：
print(soup.p.string)运行结果如下：
The Dormouse's story
再次强调，这里选择到的 p 节点是第一个 p 节点，获取的文本内容也是第一个 p 节点内部的文本。
3.3 嵌套选择
在前面的例子中，我们知道每一个通过选择器得到的返回结果都是 bs4.element.Tag 类型。这种类型的对象同样可以继续调用节点进行下一步的选择，也就是所谓的嵌套选择。
例如，我们先获取了 head 节点元素，然后可以继续调用 head 节点内部的 title 节点元素：
html = """
<html><head><title>The Dormouse's story</title></head>
<body>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.head.title)
print(type(soup.head.title))
print(soup.head.title.string)运行结果如下：
第一行输出结果是我们调用 head 之后再次调用 title 而选择的 title 节点元素。然后，我们打印输出了它的类型，可以看到它仍然是 bs4.element.Tag 类型。
这说明，我们在 Tag 类型的基础上再次进行选择得到的结果依然是 Tag 类型。每次返回的结果类型都相同，这就为我们进行嵌套选择提供了可能。
最后，我们输出了它的 string 属性，也就是该节点里的文本内容。
3.4 关联选择
在实际进行节点选择时，有时候我们无法一步就选到想要的节点元素，而是需要先选中某一个节点元素，然后以它为基准，再去选择它的子节点、父节点、兄弟节点等。下面，我们就来详细介绍如何选择这些关联的节点元素。
3.4.1 子节点和子孙节点
在选取了一个节点元素之后，如果我们想要获取它的直接子节点，可以调用 contents 属性。示例代码如下：
html = """
<html><head><title>The Dormouse's story</title></head><body><p class="story">Once upon a time there were three little sisters; and their names were<a href="http://example.com/elsie" class="sister" id="link1"><span>Elsie</span></a><a href="http://example.com/lacie" class="sister" id="link2">Lacie</a>and<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>and they lived at the bottom of a well.</p><p class="story">...</p>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.p.contents)运行结果如下：
从运行结果可以看出，返回的结果是一个列表形式。p 节点中既包含了文本内容，又包含了其他节点元素，最终这些内容都会以列表的形式统一返回。
需要注意的是，列表中的每个元素都是 p 节点的直接子节点。例如，第一个 a 节点里面包含了一层 span 节点，这相当于 p 节点的孙子节点，但在返回结果中，并没有单独把 span 节点选出来。也就是说，contents 属性得到的结果是直接子节点的列表。
同样，我们也可以调用 children 属性来得到相应的结果：
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.p.children)
for i, child in enumerate(soup.p.children):print(i, child)运行结果如下：
这里我们使用的是同样的 HTML 文本，调用 children 属性后，返回的结果是一个生成器类型。接下来，我们通过 for 循环遍历输出了相应的内容。
如果我们想要得到所有的子孙节点，可以调用 descendants 属性：
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.p.descendants)
for i, child in enumerate(soup.p.descendants):print(i, child)运行结果如下：
此时返回的结果依然是一个生成器。通过遍历输出可以看到，这次的输出结果包含了 span 节点。这是因为 descendants 属性会递归查询所有子节点，从而得到所有的子孙节点。
3.4.2 父节点和祖先节点
如果我们要获取某个节点元素的父节点，可以调用 parent 属性。示例代码如下：
html = """
<html><head><title>The Dormouse's story</title></head><body><p class="story">Once upon a time there were three little sisters; and their names were<a href="http://example.com/elsie" class="sister" id="link1"><span>Elsie</span></a></p><p class="story">...</p>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(soup.a.parent)运行结果如下：
在这个例子中，我们选择的是第一个 a 节点的父节点元素。很明显，a 节点的父节点是 p 节点，所以输出结果就是 p 节点及其内部的内容。
需要注意的是，这里输出的仅仅是 a 节点的直接父节点，并没有再向外寻找父节点的祖先节点。如果我们想要获取所有的祖先节点，可以调用 parents 属性：
html = """
<html><body><p class="story"><a href="http://example.com/elsie" class="sister" id="link1"><span>Elsie</span></a></p>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print(type(soup.a.parents))
print(list(enumerate(soup.a.parents)))运行结果如下：
从运行结果可以发现，返回的结果是生成器类型。我们通过将其转换为列表，并输出了它的索引和内容，列表中的元素就是 a 节点的祖先节点。
3.4.3 兄弟节点
前面我们介绍了子节点和父节点的获取方式，那么如果要获取同级的节点，也就是兄弟节点，应该怎么做呢？下面是一个示例：
html = """
<html><body><p class="story">Once upon a time there were three little sisters; and their names were<a href="http://example.com/elsie" class="sister" id="link1"><span>Elsie</span></a>Hello<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a>and<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>and they lived at the bottom of a well.</p>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print('Next Sibling', soup.a.next_sibling)
print('Prev Sibling', soup.a.previous_sibling)
print('Next Siblings', list(enumerate(soup.a.next_siblings)))
print('Prev Siblings', list(enumerate(soup.a.previous_siblings)))运行结果如下：
这里调用了 4 个属性，next_sibling和previous_sibling分别用于获取节点的下一个和上一个兄弟元素。如果目标节点没有对应的兄弟节点，previous_sibling可能返回None ，就像这里第一个<a>标签的previous_sibling 。next_siblings和previous_siblings则分别返回后面和前面的兄弟节点集合，返回结果是生成器类型，通过list()函数将其转换为列表以便查看所有兄弟节点。
3.4.4 提取信息
刚才我们讲了怎么选择那些有关联的元素节点。要是现在想得到这些节点的文本内容、属性之类的信息，方法和前面介绍的差不多。下面通过例子来说明：
html = """
<html><body><p class="story">Once upon a time there were three little sisters; and their names were<a href="http://example.com/elsie" class="sister" id="link1">Bob</a><a href="http://example.com/lacie" class="sister" id="link2">Lacie</a></p>
"""
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'lxml')
print('Next Sibling:')
print(type(soup.a.next_sibling))
print(soup.a.next_sibling)
print(soup.a.next_sibling.string)
print('Parent:')
print(type(soup.a.parents))
print(list(soup.a.parents)[0])
print(list(soup.a.parents)[0].attrs['class'])运行结果：
要是选择节点的返回结果只有一个节点，那直接用string、attrs这些属性，就能拿到它的文本内容和属性信息。但要是返回的是一个能生成多个节点的生成器，就得先把它变成列表，从里面挑出想要的元素，接着再用string、attrs属性，这样才能得到对应节点的文本和属性。