官方参考文档：https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/
Beautiful Soup 是一个HTML/XML 的解析器，主要用于解析和提取 HTML/XML 数据。它基于 HTML DOM 的，会载入整个文档，解析整个 DOM树，因此时间和内存开销都会大很多，所以性能要低于lxml。
BeautifulSoup 用来解析 HTML 比较简单，API非常人性化，支持CSS选择器、Python标准库中的HTML解析器，也支持 lxml 的 XML解析器。
安装
pip install beautifulsoup4
四大对象种类
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:
1、Tag
2、NavigableString
3、BeautifulSoup
4、Comment
1、Tag
Tag 通俗点讲就是 HTML 中的一个个标签，例如：
<head><title>The Dormouse's story</title></head> <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a> <p class="title" name="dromouse"><b>The Dormouse's story</b></p>
上面的 title head a p等等 HTML 标签加上里面包括的内容就是 Tag
用BeautifulSoup来获取Tags
from bs4 import BeautifulSoup
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> """
# 创建 Beautiful Soup 对象
# soup = BeautifulSoup(html,’lxml’)
soup = BeautifulSoup(html)
# 打开本地 HTML 文件的方式来创建对象
# soup = BeautifulSoup(open('index.html'))
# 格式化输出 soup 对象的内容
print(soup.prettify())
from bs4 import BeautifulSoup
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> """
# 创建 Beautiful Soup 对象
soup = BeautifulSoup(html,’lxml’)
print(soup.title)
print(soup.head)
print(soup.a)
print(soup.p)
print(type(soup.p))
可以利用 soup加标签名轻松地获取这些标签的内容 。
这些对象的类型是 bs4.element.Tag。 注意，它查找的是在所有内容中的第一个符合要求的标签。 对于 Tag，它有两个重要的属性，是 name 和 attrs 。
# soup 对象本身比较特殊，它的 name 即为 [document]
print(soup.name)
print(soup.head.name)
# 把 p 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(soup.p.attrs)
# 根据名称获取对应的属性值，类型为列表
print(soup.p['class'])
print(soup.p.get('class'))
# 可以对这些属性和内容等等进行修改
soup.p['class'] = "newClass"
print(soup.p)
# 删除属性
del soup.p['class']
print(soup.p)
2、 NavigableString
获取标签内部的文字用 .string 即可，例如 ：
print(soup.p.string)
# The Dormouse's story
print(type(soup.p.string))
# In [13]: <class 'bs4.element.NavigableString'>
3、BeautifulSoup
BeautifulSoup 对象表示的是一个文档的内容。大部分时候,可以把它当作 Tag对象，是一个特殊的 Tag，我们可以分别获取它的类型，名称，以及属性 。
print(type(soup.name))
# <type 'unicode'>
print(soup.name)
# [document]
print(soup.attrs)
# 文档本身的属性为空 {}
4、Comment
Comment对象是一个特殊类型的NavigableString 对象，其输出注释但不包含注释符号。
print(soup.a)
# <a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>
print(soup.a.string)
# Elsie
print(type(soup.a.string))
# <class 'bs4.element.Comment'>
遍历文档树
1、直接子节点 ：.contents .children 属性
.content 属性 tag 的 .content 属性可以将 tag的子节点以列表的方式输出 。
print(soup.head.contents)
print(soup.head.contents[0])
.children 属性 它返回的不是一个 list，不过我们可以通过遍历获取所有子节点。 我们打印输出 .children 看一下，可以发现它是一个 list 生成器对象
print(soup.head.children)
for child in soup.body.children:
print(child)
2、所有子孙节点: .descendants 属性
.contents 和 .children 属性仅包含 tag的直接子节点，.descendants 属性可以对所有tag 的子孙节点进行递归循环，和 children类似，我们也需要遍历获取其中的内容。
for child in soup.descendants:
print(child)
3、节点内容: .string 属性
通俗点说就是：如果一个标签里面没有标签了，那么 .string 就会返回标签里面的内容。如果标签里面只有唯一的一个标签了，那么 .string 也会返回最里面的内容。例如：
print(soup.head.string)
# The Dormouse's story
print(soup.title.string)
# The Dormouse's story
搜索文档树
1、find_all(name, attrs, recursive, text, **kwargs)
name 参数 ：
name 参数可以查找所有名字为 name 的 tag,字符串对象会被自动忽略掉
A、传字符串
Beautiful Soup会查找与字符串完整匹配的内容
用于查找文档中所有的<b>标签
print(soup.find_all('b'))
print(soup.find_all('a'))
B、传正则表达式
Beautiful Soup会通过正则表达式的 match()来匹配内容。
找出所有以 b开头的标签,这表示<body>和<b>标签都应该被找到 。
import re
for tag in soup.find_all(re.compile("^b")):
print(tag.name)
C、传列表
Beautiful Soup会将与列表中任一元素匹配的内容返回。
找到文档中所有<a>标签和<b>标签:
print(soup.find_all(["a", "b"]))
2、keyword 参数
print(soup.find_all(id='link2'))
3、text 参数
text 参数接受字符串,正则表达式,列表, 可以搜搜文档中的字符串内容
print(soup.find_all(text="Elsie"))
print(soup.find_all(text=["Tillie", "Elsie", "Lacie"]))
print(soup.find_all(text=re.compile("Dormouse")))
CSS选择器
1、写 CSS时，标签名不加任何修饰，类名前加.，id名前加#
2、可以利用类似的 soup.select()方法来筛选元素，返回结果是 list
3、soup.select_one() 返回值是list的首个。
通过标签名查找
print(soup.select('title'))
print(soup.select('a'))
print(soup.select('b'))
通过类名查找
print(soup.select('.sister'))
通过 id 名查找
print(soup.select('#link1'))
组合查找
组合查找即和写 class文件时，标签名与类名、id名进行的组合原理是一样的，例如查找 p 标签中，id 等于 link1的内容，二者需要用空格分开 。
print(soup.select('p #link1'))
# 直接子标签查找，则使用 > 分隔
print(soup.select("head > title"))
属性查找
查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到。
print(soup.select('a[class="sister"]'))
print(soup.select('a[href="http://example.com/elsie"]'))
# 同样，属性仍然可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格
print(soup.select('p a[href="http://example.com/elsie"]'))
获取内容
可以遍历 select 方法返回的结果，然后用 get_text() 方法来获取它的内容。
soup = BeautifulSoup(html, 'lxml')
print(type(soup.select('title')))
print(soup.select('title')[0].get_text())
for title in soup.select('title'):
print(title.get_text())