原文鏈接https://www.fkomm.cn/article/2018/7/20/17.html
Beautiful Soup 庫一般被稱爲bs4庫，支持Python3，是我們寫爬蟲非常好的第三方庫。因用起來十分的簡便流暢。所以也被人叫做“美味湯”。目前bs4庫的最新版本是4.60。下文會介紹該庫的最基本的使用，具體詳細的細節還是要看：官方文檔
bs4庫的安裝
Python的強大之處就在於他作爲一個開源的語言，有着許多的開發者爲之開發第三方庫，這樣我們開發者在想要實現某一個功能的時候，只要專心實現特定的功能，其他細節與基礎的部分都可以交給庫來做。bs4庫 就是我們寫爬蟲強有力的幫手。
安裝的方式非常簡單：我們用pip工具在命令行裏進行安裝
$ pip install beautifulsoup4
接着我們看一下是否成功安裝了bs4庫
$ pip list
這樣我們就成功安裝了 bs4 庫
bs4庫的簡單使用
這裏我們先簡單的講解一下bs4庫的使用，暫時不去考慮如何從web上抓取網頁，假設我們需要爬取的html是如下這麼一段：
//下面的一段HTML代碼將作爲例子被多次用到.這是 愛麗絲夢遊仙境的 的一段內容(以後內容中簡稱爲 愛麗絲 的文檔):
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
http://example.com/elsie" class="sister" id="link1">Elsie,
http://example.com/lacie" class="sister" id="link2">Lacie and
http://example.com/tillie" class="sister" id="link3">Tillie;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
</html>下面我們開始用bs4庫解析這一段html網頁代碼。
#導入bs4模塊
from bs4 import BeautifulSoup
#做一個美味湯
soup = BeautifulSoup(html，'html.parser')
#輸出結果
print(soup.prettify())
'''
OUT:
# <html>
# <head>
# <title>
# The Dormouse's story
# </title>
# </head>
# <body>
# <p class="title">
# <b>
# The Dormouse's story
# </b>
# </p>
# <p class="story">
# Once upon a time there were three little sisters; and their names were
# <a class="sister" href="http://example.com/elsie" id="link1">
# Elsie
# </a>
# ,
# <a class="sister" href="http://example.com/lacie" id="link2">
# Lacie
# </a>
# and
# <a class="sister" href="http://example.com/tillie" id="link2">
# Tillie
# </a>
# ; and they lived at the bottom of a well.
# </p>
# <p class="story">
# ...
# </p>
# </body>
# </html>
'''可以看到bs4庫將網頁文件變成了一個soup的類型，事實上，bs4庫 是解析、遍歷、維護、“標籤樹“的功能庫。
通俗一點說就是： bs4庫把html源代碼重新進行了格式化，從而方便我們對其中的節點、標籤、屬性等進行操作。
下面是幾個簡單的瀏覽結構化數據的方式 ：
請仔細觀察最前面的html文件
# 找到文檔的title
soup.title
# <title>The Dormouse's story</title>
#title的name值
soup.title.name
# u'title'
#title中的字符串String
soup.title.string
# u'The Dormouse's story'
#title的父親節點的name屬性
soup.title.parent.name
# u'head'
#文檔的第一個找到的段落
soup.p
# <p class="title"><b>The Dormouse's story</b></p>
#找到的p的class屬性值
soup.p['class']
# u'title'
#找到a標籤
soup.a
# http://example.com/elsie" id="link1">Elsie
#找到所有的a標籤
soup.find_all('a')
# [http://example.com/elsie" id="link1">Elsie,
# http://example.com/lacie" id="link2">Lacie,
# http://example.com/tillie" id="link3">Tillie]
#找到id值等於3的a標籤
soup.find(id="link3")
# http://example.com/tillie" id="link3">Tillie通過上面的例子 我們知道bs4庫是這樣理解一個html源文件的：
- 首先 把html源文件轉換爲soup類型
- 接着 從中通過特定的方式抓取內容
更高級點的用法？
- 從文檔中找到所有標籤的鏈接:
#發現了沒有，find_all方法返回的是一個可以迭代的列表 for link in soup.find_all('a'): print(link.get('href')) # http://example.com/elsie # http://example.com/lacie # http://example.com/tillie - 從文檔中獲取所有文字內容:
#我們可以通過get_text 方法 快速得到源文件中的所有text內容。 print(soup.get_text()) # The Dormouse's story # # The Dormouse's story # # Once upon a time there were three little sisters; and their names were # Elsie, # Lacie and # Tillie; # and they lived at the bottom of a well. # # ...bs4庫的入門使用我們就先進行到這。