Beautiful Soup（簡稱BS4）是一種強(qiáng)大而靈活的HTML和XML解析庫，廣泛用于Python爬蟲和數(shù)據(jù)采集中。

這篇文章介紹 Beautiful Soup的功能和用法，并提供示例代碼，幫助你更好地理解和應(yīng)用這個優(yōu)秀的庫。

一、Beautiful Soup簡介

1、什么是Beautiful Soup？

Beautiful Soup是一個Python庫，用于解析HTML和XML文檔，并提供了簡單而直觀的方式來遍歷文檔樹、搜索特定標(biāo)簽和提取數(shù)據(jù)。它的名字取自路易斯·卡洛斯·蒙特斯·庫比斯（Luis Carlos Monteiro Cabral de Melo）的詩歌《Alice》中的一句話：“Beautiful Soup so rich and green, Waiting in a hot tureen!”，寓意著它用來“撈取”美味的數(shù)據(jù)。

2、安裝Beautiful Soup

使用pip來安裝Beautiful Soup庫：

pip install beautifulsoup4

同時，為了能夠解析HTML和XML文檔，還需要安裝一個解析器，如lxml或html5lib：

pip install lxml
# 或
pip install html5lib

3、導(dǎo)入Beautiful Soup

導(dǎo)入Beautiful Soup庫：

from bs4 import BeautifulSoup

二、Beautiful Soup的基本用法

1、解析HTML文檔

Beautiful Soup可以解析HTML或XML文檔，并將其轉(zhuǎn)換成文檔樹的形式，以便于遍歷和操作。

示例代碼：

from bs4 import BeautifulSoup

# HTML文檔示例
html_doc = """

    
        
    
    
        
歡迎來到我的網(wǎng)頁
        
這是一個段落。
    

"""

# 創(chuàng)建Beautiful Soup對象
soup = BeautifulSoup(html_doc, 'html.parser')

在這個示例中，創(chuàng)建了一個Beautiful Soup對象，并使用html.parser解析器解析了HTML文檔。

2、遍歷文檔樹

一旦有了Beautiful Soup對象，就可以遍歷文檔樹，查找特定的標(biāo)簽和數(shù)據(jù)。

以下是一些基本的遍歷方法：

（1）查找標(biāo)簽

使用find()方法來查找特定的標(biāo)簽：

# 查找第一個
標(biāo)簽
h1_tag = soup.find('h1')

# 打印標(biāo)簽文本
print(h1_tag.text)

（2）遍歷子節(jié)點(diǎn)

使用children屬性來遍歷一個標(biāo)簽的子節(jié)點(diǎn)：

# 遍歷標(biāo)簽的子節(jié)點(diǎn)
body_tag = soup.find('body')
for child in body_tag.children:
    print(child)

（3）遍歷所有標(biāo)簽

使用find_all()方法來查找所有特定類型的標(biāo)簽：

# 查找所有
標(biāo)簽
p_tags = soup.find_all('p')

# 遍歷所有
標(biāo)簽
for p_tag in p_tags:
    print(p_tag.text)

3、提取數(shù)據(jù)

找到目標(biāo)標(biāo)簽，就可以提取其中的數(shù)據(jù)。

以下是一些提取數(shù)據(jù)的示例：

（1）獲取標(biāo)簽文本

使用.text屬性獲取標(biāo)簽的文本內(nèi)容：

# 獲取
標(biāo)簽的文本內(nèi)容
h1_text = h1_tag.text
print(h1_text)

（2）獲取標(biāo)簽屬性

如果標(biāo)簽有屬性，可以使用字典的方式獲取：

# 獲取標(biāo)簽的lang屬性值
head_tag = soup.find('head')
lang_value = head_tag['lang']
print(lang_value)

（3）提取鏈接

如果要提取鏈接，可以使用.get()方法：

# 獲取標(biāo)簽的鏈接
a_tag = soup.find('a')
link = a_tag.get('href')
print(link)

三、高級用法

1、使用CSS選擇器

Beautiful Soup支持使用CSS選擇器來查找標(biāo)簽，這使得查找更靈活和方便：

# 使用CSS選擇器查找所有
標(biāo)簽
p_tags = soup.select('p')

2、嵌套查找

在查找方法中嵌套使用，以查找更深層次的標(biāo)簽：

# 查找標(biāo)簽下的所有
標(biāo)簽
p_tags = soup.find('body').find_all('p')

3、處理不規(guī)范的HTML

Beautiful Soup可以處理不規(guī)范的HTML文檔，自動修復(fù)標(biāo)簽嵌套和缺失的情況：

# 處理不規(guī)范的HTML文檔
dirty_html = "
這是一個段落
"
soup = BeautifulSoup(dirty_html, 'html.parser')
print(soup.prettify())

四、示例代碼

以下是一個完整的示例，演示了如何使用Beautiful Soup解析HTML文檔、遍歷文檔樹、查找標(biāo)簽和提取數(shù)據(jù)：

from bs4 import BeautifulSoup

# HTML文檔示例
html_doc = """

    
        
    
    
        
歡迎來到我的網(wǎng)頁
        
這是一個段落。
    

"""

# 創(chuàng)建Beautiful Soup對象
soup = BeautifulSoup(html_doc, 'html.parser')

# 查找
標(biāo)簽
h1_tag = soup.find('h1')

# 獲取
標(biāo)簽的文本內(nèi)容
h1_text = h1_tag.text

# 查找所有
標(biāo)簽
p_tags = soup.find_all('p')

# 提取第一個
標(biāo)簽的文本內(nèi)容
p_text = p_tags[0].text

# 打印結(jié)果
print("標(biāo)題:", h1_text)
print("段落:", p_text)

這個示例演示了如何解析HTML文檔、查找標(biāo)簽和提取數(shù)據(jù)，以及如何處理不規(guī)范的HTML文檔。

總結(jié)

Beautiful Soup是一個強(qiáng)大的HTML和XML解析庫，為Python爬蟲和數(shù)據(jù)采集提供了強(qiáng)大的工具。