本文主要是介绍Python 网络爬虫从0到1 （4）：Beautiful Soup 4库入门详解，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
从先前的几篇文章中，我们已经能够使用Requests库构造请求并获得正确的响应，但是在样例中我们也发现了仅使用Requests库的缺陷。在网络爬虫的设计中，仅能构造请求并收到响应是远远不够的。想要获取响应中有意义的信息并能够由此采取下一步行动，是整个流程中的重要一段。所以本篇文章，我们就来一起学习较为流行的HTML/XML数据分析提取库：Beautiful Soup 4
Beautiful Soup 4介绍
Beautiful Soup 4库是一个在Python爬虫设计中非常流行的数据分析提取库。它能够解析HTML/XML语言并生成文档树。由于其简单易用的特性被许多小型爬虫所采用。
HTML语言作为一种标记语言，每一个元素都由一对标签包含，层层嵌套形成树状结构。当人去阅读这段代码时，实际内容会被一大串描述元素样式的代码淹没，观察较为繁琐；但程序阅读恰恰相反，标签化、结构化且严谨的语法非常适合程序（浏览器等）理解分析，并按照当初设计的方式渲染重构网页。
我们获得的来自服务器的响应一般为HTML格式的一个页面，由于HTML语言特性，人类难以直观理解实际效果，这就需要一个程序来解析这个响应。浏览器核心也包含一个HTML解析器，而在爬虫中，Beautiful Soup 4库就起到了这样的效果。
至于这个Python库的名称为什么是BeautifulSoup4(即bs4)而不是BeautifulSoup，是因为后者已经用来表示BeautifulSoup3库（为了兼容性原因仍然保留），为避免名称冲突，才使用这个名字。
关于这个库的更多信息以及使用指南，请参阅Beautiful Soup 4官方手册（中文）Beautiful Soup 4.4.0 文档
Beautiful Soup 4库的安装、引用与测试
- Beautiful Soup 4包安装与安装其他库包的方法相同，Windows cmd/Linux Terminal 下，输入如下命令
pip install beautifulsoup4
等待安装完成即可。
- 引用这个库的方法与其他库略有不同，实际上，Beautiful Soup 4是一个类，包含在
bs4包中，使用时只需要从包中单独引用BeautifulSoup类即可。使用from-import语句实现
from bs4 import BeautifulSoup
注意：BeautifulSoup中的B与S为大写字母，Python对大小写敏感
- 下面使用一个小样例来测试Beautiful Soup 4的功能，该类的基本功能会在下面讲到
示例实现步骤
- 使用
Requests库下载了一个样例页面 - 将响应主体（HTML格式）作为参数声明了一个
BeautifulSoup实例soup - 使用其
prettify()方法将主体内容进行了优化并输出
import requests
from bs4 import BeautifulSoupr = requests.get("http://python123.io/ws/demo.html")
# 提交请求抓取响应
# print(r.text)
soup = BeautifulSoup(r.text, features="html.parser")
# 声明实例并将响应主体作为参数传入
print(soup.prettify())
#使用prettify()方法输出优化后的内容BeautifulSoup类使用
HTML基础知识
在了解BeautifulSoup类的原理前，先来补充一点HTML语言的相关知识。
HTML语言的各个元素均由标签构成，一对一对标签以及中间包括的内容构成了元素，例如：
<p class="title">Hello World</p>
其中，
-
p：标签名称，p表示段落（paragraph） -
class="title"：标签的属性，属性键为class，值为"title"，这个属性与CSS样式表相关 -
Hello World：标签主体内容 -
/p：标签结束符号，与p标签开始符号一一对应 -
标签开始部分（标签名称和属性）与标签结束都由尖括号包含，两个尖括号中间的内容为标签主体内容
这样的标签嵌套叠加，形成了一个树状结构，被称为文档树
附表：HTML常用标签
| 标签 名称 | 说明 |
|---|---|
<a> | 链接 |
<b> | 普通文本 |
<body> | 文档主体内容标签 |
<div> | HTML文档中的分隔区块 |
<form> | 创建表单用于用户输入 |
<hn> | 标题，n为等级1-6 |
<img> | 图片 |
<span> | 对一部分文本进行着色 |
<script> | JavaScript脚本 |
BeautifulSoup类实例化
BeautifulSoup类中的一个实例正与一个文档树一一对应（类本身也是）。**声明一个新的实例时，将HTML内容作为参数传递给实例初始化函数，这个HTML内容所对应的文档树就按照BeautifulSoup类的结构被对应到了实例中。**通过Beautiful Soup库，我们能够对文档树进行解析、遍历、维护。
在初始化一个BeautifulSoup实例时，不仅需要提供HTML文档内容作为参数，还需要选择一个适合的解释器
| 解析器 | 名称 | 优点 | 缺点 |
|---|---|---|---|
| Python标准库解析器 | html.parser | 是Python内置标准库 执行速度适中 文档容错能力强 | 较早版本Python中的解析器容错能力弱且不稳定 |
| lxml HTML解析器 | lxml | 速度快 文档容错能力强 | 依赖C语言库 |
| lxml XML解析器 | lxml-xml | 速度快 唯一一个XML解析器 | 依赖C语言库 |
| html5lib | html5lib | 容错性最佳 以浏览器方式解析文档 生成html5格式文档 | 速度慢 不依赖外部拓展 |
其中，Python标准库解析器在Python标准库中，不需要另外安装；其他的解析器需要自行安装第三方库（lxml的两个解析器安装lxml包，html5lib解析器安装html5lib包）
声明一个新实例的语法（尖括号仅表示名称，不在语法中）
<Name> = BeautifulSoup(<HTML Document>, features="<Parser Name>")
其中，
Name：新实例的名称HTML Document：需要解析的HTML文档，以字符串形式，也可以为打开的文件Parser Name：解析器名称，各个解析器的名称见上表
BeautifulSoup类的基本元素
| 基本元素 | 说明 |
|---|---|
| Tag | 标签，为文档的最基本组成元素，上面已经介绍 |
| Name | 标签的名称，例如标签名称为p，调用格式为<tag>.name |
| Attributes | 标签的属性，以字典形式组织，调用格式为<tag>.attrs |
| NavigableString | 可以遍历的字符串，为标签内非属性字符串，即为上面提到的标签主体内容，格式<tag>.string |
| Comment | 标签内字符串的注释部分，是一种特殊的NavigableString，格式同上 |
| Text | 标签中的主体内容（不含注释），格式<tag>.text |
| Beautiful Soup | 整个文档对应的类的实例，这个元素的名称为[document] |
- 标签元素的类型为
bs4.element.Tag - 标签的NavigableString不是一个str类型数据，而是Beautiful Soup 4中另行定义的类型
bs4.element.NavigableString - 关于各种属性的使用方法，请见下面的
BeautifulSoup标签的属性
BeautifulSoup类获取标签
基本元素中，除了Tag为独立的标签元素外，其余所有都可以视作Tag的属性，那么，如何从BeautifulSoup类中提取一个标签呢？我们以实例soup为例
tag_a = soup.a
tag_p = soup.p
实际上，使用soup.就可以获得实例对应文档树中第一个名称为tag name的标签，如果文档树中不存在这个标签，不会报错，而是返回空，且这些标签名称由于不固定，IDE不提供代码补全，所以要小心标签名称错误
注意，使用这个方法只能获得文档中的一个标签，如果需要其他标签，请使用后面讲到的文档遍历
BeautifulSoup标签的属性
标签的属性在上面的基本元素中已经基本给出，下面挑选必要的属性逐个介绍
Attributes：标签属性域中的属性，为字典形式，对于HTML中已经定义的多值属性，将返回一个List（即使只有一个也返回List）- 如果该标签没有属性，将返回为空
- 由于属性为字典格式，可以使用字典的相关操作，例如单独输出某个键的值
tag.attrs['class']
NavigableString：标签中的主要内容（可遍历字符串），即两对尖括号中间的内容- 如果该标签没有可遍历字符串，则返回空
- 如果不为空，
NavigableString不是一个str普通字符串型数据，而是Beautiful Soup 4中另行定义的类型bs4.element.NavigableString - 如果一个标签的主体部分既有文本又有注释，则string为空，请见
Text
Comment：标签中的注释内容，注意：Comment为一种特殊的NavigableString，其使用方法与返回形式完全相同，即使用string，两个返回格式相同，无法从这里区分Comment与NavigableString，需要用类型或Text判断- 不同于普通的
NavigableString，Comment有自己独有的类型bs4.element.Comment - 如果一个标签的主体部分既有文本又有注释，则string为空，请见
Text
- 不同于普通的
Text：标签中的主要内容（不包含注释），也是两对尖括号中的内容- 与NavigableString不同的是，Text在文本与注释同时出现时，会过滤注释内容，仅保留文本内容
Text的类型为str，为Python标准类型
Beautiful Soup HTML文档遍历方法
Beautiful Soup 支持HTML文档树的上行遍历、下行遍历、平行遍历三种遍历方法。所有遍历均通过查询当前标签的属性实现，即
<tag>.<attribute>
下行遍历
从根节点元素开始向文档叶节点遍历（寻找子节点）
Beautiful Soup 为下行遍历提供了三个属性
| 属性 | 说明 |
|---|---|
| .contents | 子节点列表，将这个标签的所有子节点（下一层）以列表形式给出 |
| .children | 子节点的可迭代类型对象，生成这个标签所有子节点（下一层）的可迭代列表对象 |
| .descendants | 子孙节点的可迭代类型对象，包含这个标签所有子孙节点（下面所有） |
- 注意：子节点不仅有标签类型，也有其他字符串，如
\n换行符或纯文本，这些字符串的类型为NavigableString - 可迭代类型的原文为
list_iterator object .descendants的遍历顺序为先序遍历
上行遍历
从叶节点元素开始向文档根节点遍历（寻找父节点）
Beautiful Soup 为上行遍历提供了两个属性
| 属性 | 说明 |
|---|---|
| .parent | 父节点，这个标签的父节点，仅一个 |
| .parents | 先辈节点、这个节点的所有父节点的迭代（父节点、父节点的父节点……） |
- 仅在最高一级的根节点
[document]节点（参见上文HTML基础知识中文档树结构图）的类型为BeautifulSoup，即为BeautifulSoup本身，其他节点的类型均为bs4.element.Tag - 根节点的父节点为空
平行遍历
在平行节点间横向遍历，平行节点，即兄弟节点，指父节点为同一个节点的一系列节点
Beautiful Soup 为平行遍历提供了四个属性
| 属性 | 说明 |
|---|---|
| .next_sibling | 按照HTML文本序的下一个平行节点 |
| .previous_sibling | 按照HTML文本序的上一个平行节点 |
| .next_siblings | 按照HTML文本序的下面所有平行节点 |
| .previous_sibling | 按照HTML文本序的上面所有平行节点 |
-
注意：平行节点不仅有标签类型，也有其他字符串，如
\n换行符或纯文本等，这些字符串的类型为NavigableString，使用时请注意区分 -
可以通过判断该元素的
name属性是否为None来确定该元素是否为NavigableString（若使用类型判断，则需要导入整个bs4）if not tag.name is None:do_something()
Beautiful Soup HTML文档优化
使用Requests库得到的响应文档未经过处理（换行、缩进等），且由于HTML的特性，没有渲染情况下可读性较差，需要通过优化提升可读性，Beautiful Soup类的Prettify()方法提供了这个功能。需要将返回值打印才能看到效果（只是在其中添加换行符）
soup = BeautifulSoup(HTML_text, "html.parser")
print(soup.prettify())基于Beautiful Soup库的HTML内容查找方法
查找标签find_all()
Beautiful Soup提供了一个专用的方法用来查找指定名称的标签
soup.find_all('name')
#soup 为搜索范围的Tag或BeautifulSoup对象，name 为要查找的标签名称
函数返回一个列表，包含所有符合名称的标签
-
由于列表可遍历（可迭代），可以使用for语句遍历整个搜索结果列表，列表中的元素类型仍然为
bs4.element.Tag -
当想要获取多个类型的标签时，可以将一个包含有欲查找标签名称（字符串类型）的列表作为参数传入标签
-
当想要获得这个soup中的所有标签时（相当于树遍历），可以将参数变为
True -
如果还想要进一步限制查找内容，
find_all()函数还提供了class属性参数soup.find_all('name', 'attr')这将搜索所有名称为
name且class类属性为attr的标签
如果将name设为空''，则将返回所有class符合的标签，而不限制标签名称 -
还可以限制id属性
soup.find_all(id = 'link1')这将搜索所有
id属性为"link1"的标签 -
这个函数的另一个参数
recursive递归，默认为True，表示将遍历该标签对象下的所有子孙节点，否则只遍历该节点的子节点 -
又一个参数
string，可以搜索标签主体内容（一对尖括号中间的内容），返回类型为NagivableString必须精确匹配内容才能搜索到，实际没有太大意义，以后将使用正则表达式标准库
re来完成正则表达式匹配搜索
其他查找语句
除了find_all()外，Beautiful Soup还提供了其他特性的搜索函数，这些函数的参数与find_all()相同，有对应需求时，直接使用函数即可
| 函数 | 说明 |
|---|---|
| .find() | 搜索且只返回第一个结果 |
| .find_parents() | 在先辈节点中搜索，返回列表 |
| .find_parent() | 在先辈节点中搜索，且只返回一个结果 |
| .find_next_siblings() | 在后续平行节点中搜索，返回一个列表 |
| .find_next_sibling() | 在后续平行节点中搜索，且只返回一个结果 |
| .find_previous_siblings() | 在之前的平行节点中搜索，返回一个列表 |
| .find_previous_sibling() | 在之前的平行节点中搜索，且只返回一个结果 |
这篇关于Python 网络爬虫从0到1 （4）：Beautiful Soup 4库入门详解的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
