用BeautifulSoup模块解析HTML

一、不要用正则表达式来解析HTML

原因：HTML的格式有许多不同的方式，并且仍然被认为有效，但尝试用正则表达式来捕捉所有这些可能的变化，将会非常复杂且容易出错。

二、使用BeautifulSoup模块解析HTML

1、从HTML创建一个BeautifulSoup对象

import bs4, requests                          #导入模块

res = requests.get('heep://nostarch.com')
res.raise_for_status()                        #检查文件是否下载成功，如果文件下载出错，则抛出异常
noStarchSoup = bs4.BeautifulSoup(res.text)

2、用select()方法寻找元素

• CSS选择器
• select()方法返回一个Tag对象的列表

elems = noStarchSoup.select('#author')
elems[0].getText()             #返回该元素的文本
str(elems[0])                  #返回一个字符串
elems[0].attrs                 #返回一个字典，包括该元素的属性以及该属性的值
elems[0].get('id')             #从元素中获取属性值