前面介绍了正则表达式的相关用法，但是一旦正则表达式写的有问题，得到的可能就不是我们想要的结果了。而且对于一个网页来说，都有一定的特殊结构和层级关系，而且很多节点都有 id 或 class 来作区分，所以借助它们的结构和属性来提取不也可以吗？
这一节中，我们就来介绍一个强大的解析工具 Beautiful Soup，它借助网页的结构和属性等特性来解析网页。有了它，我们不用再去写一些复杂的正则表达式，只需要简单的几条语句，就可以完成网页中某个元素的提取。
废话不多说，接下来就来感受一下 Beautiful Soup 的强大之处吧。
1. 简介
简单来说，Beautiful Soup 就是 Python 的一个 HTML 或 XML 的解析库，可以用它来方便地从网页中提取数据。官方解释如下：
Beautiful Soup 提供一些简单的、Python 式的函数来处理导航、搜索、修改分析树等功能。它是一个工具箱，通过解析文档为用户提供需要抓取的数据，因为简单，所以不需要多少代码就可以写出一个完整的应用程序。
Beautiful Soup 自动将输入文档转换为 Unicode 编码，输出文档转换为 UTF-8 编码。你不需要考虑编码方式，除非文档没有指定一个编码方式，这时你仅仅需要说明一下原始编码方式就可以了。
Beautiful Soup 已成为和 lxml、html6lib 一样出色的 Python 解释器，为用户灵活地提供不同的解析策略或强劲的速度。
所以说，利用它可以省去很多烦琐的提取工作，提高了解析效率。
2. 准备工作
在开始之前，请确保已经正确安装好了 Beautiful Soup 和 lxml，如果没有安装，可以参考第 1 章的内容。
3. 解析器
Beautiful Soup 在解析时实际上依赖解析器，它除了支持 Python 标准库中的 HTML 解析器外，还支持一些第三方解析器（比如 lxml）。表 4-3 列出了 Beautiful Soup 支持的解析器。
表 4-3 Beautiful Soup 支持的解析器
解析器
使用方法
优势
劣势
Python 标准库
BeautifulSoup(markup, "html.parser")
Python 的内置标准库、执行速度适中、文档容错能力强
Python 2.7.3 及 Python 3.2.2 之前的版本文档容错能力差
lxml HTML 解析器
BeautifulSoup(markup, "lxml")
速度快、文档容错能力强
需要安装 C 语言库
lxml XML 解析器
BeautifulSoup(markup, "xml")
速度快、唯一支持 XML 的解析器
需要安装 C 语言库
html5lib
BeautifulSoup(markup, "html5lib")
最好的容错性、以浏览器的方式解析文档、生成 HTML5 格式的文档
速度慢、不依赖外部扩展
通过以上对比可以看出，lxml 解析器有解析 HTML 和 XML 的功能，而且速度快，容错能力强，所以推荐使用它。
如果使用 lxml，那么在初始化 Beautiful Soup 时，可以把第二个参数改为 lxml 即可：
1 |
from bs4 import BeautifulSoup |
在后面，Beautiful Soup 的用法实例也统一用这个解析器来演示。
4. 基本用法
下面首先用实例来看看 Beautiful Soup 的基本用法：
1 |
html = """ |
运行结果如下：
1 |
<html> |
这里首先声明变量 html，它是一个 HTML 字符串。但是需要注意的是，它并不是一个完整的 HTML 字符串，因为 body 和 html 节点都没有闭合。接着，我们将它当作第一个参数传给 BeautifulSoup 对象，该对象的第二个参数为解析器的类型（这里使用 lxml），此时就完成了 BeaufulSoup 对象的初始化。然后，将这个对象赋值给 soup 变量。
接下来，就可以调用 soup 的各个方法和属性解析这串 HTML 代码了。
首先，调用 prettify() 方法。这个方法可以把要解析的字符串以标准的缩进格式输出。这里需要注意的是，输出结果里面包含 body 和 html 节点，也就是说对于不标准的 HTML 字符串 BeautifulSoup，可以自动更正格式。这一步不是由 prettify() 方法做的，而是在初始化 BeautifulSoup 时就完成了。
然后调用 soup.title.string，这实际上是输出 HTML 中 title 节点的文本内容。所以，soup.title 可以选出 HTML 中的 title 节点，再调用 string 属性就可以得到里面的文本了，所以我们可以通过简单调用几个属性完成文本提取，这是不是非常方便？
5. 节点选择器
直接调用节点的名称就可以选择节点元素，再调用 string 属性就可以得到节点内的文本了，这种选择方式速度非常快。如果单个节点结构层次非常清晰，可以选用这种方式来解析。
选择元素
下面再用一个例子详细说明选择元素的方法：
1 |
html = """ |
运行结果如下：
1 |
<title>The Dormouse's story</title> |
这里依然选用刚才的 HTML 代码，首先打印输出 title 节点的选择结果，输出结果正是 title 节点加里面的文字内容。接下来，输出它的类型，是 bs4.element.Tag 类型，这是 Beautiful Soup 中一个重要的数据结构。经过选择器选择后，选择结果都是这种 Tag 类型。Tag 具有一些属性，比如 string 属性，调用该属性，可以得到节点的文本内容，所以接下来的输出结果正是节点的文本内容。
接下来，我们又尝试选择了 head 节点，结果也是节点加其内部的所有内容。最后，选择了 p 节点。不过这次情况比较特殊，我们发现结果是第一个 p 节点的内容，后面的几个 p 节点并没有选到。也就是说，当有多个节点时，这种选择方式只会选择到第一个匹配的节点，其他的后面节点都会忽略。
提取信息
上面演示了调用 string 属性来获取文本的值，那么如何获取节点属性的值呢？如何获取节点名呢？下面我们来统一梳理一下信息的提取方式。
(1) 获取名称
可以利用 name 属性获取节点的名称。这里还是以上面的文本为例，选取 title 节点，然后调用 name 属性就可以得到节点名称：
1 |
print(soup.title.name) |
运行结果如下：
1 |
title |
(2) 获取属性
每个节点可能有多个属性，比如 id 和 class 等，选择这个节点元素后，可以调用 attrs 获取所有属性：
1 |
print(soup.p.attrs) |
运行结果如下：
1 |
{'class': ['title'], 'name': 'dromouse'} |
可以看到，attrs 的返回结果是字典形式，它把选择的节点的所有属性和属性值组合成一个字典。接下来，如果要获取 name 属性，就相当于从字典中获取某个键值，只需要用中括号加属性名就可以了。比如，要获取 name 属性，就可以通过 attrs['name'] 来得到。
其实这样有点烦琐，还有一种更简单的获取方式：可以不用写 attrs，直接在节点元素后面加中括号，传入属性名就可以获取属性值了。样例如下：
1 |
print(soup.p['name']) |
运行结果如下：
1 |
dromouse |
这里需要注意的是，有的返回结果是字符串，有的返回结果是字符串组成的列表。比如，name 属性的值是唯一的，返回的结果就是单个字符串。而对于 class，一个节点元素可能有多个 class，所以返回的是列表。在实际处理过程中，我们要注意判断类型。
(3) 获取内容
可以利用 string 属性获取节点元素包含的文本内容，比如要获取第一个 p 节点的文本：
1 |
print(soup.p.string) |
运行结果如下：
1 |
The Dormouse's story |
再次注意一下，这里选择到的 p 节点是第一个 p 节点，获取的文本也是第一个 p 节点里面的文本。
嵌套选择
在上面的例子中，我们知道每一个返回结果都是 bs4.element.Tag 类型，它同样可以继续调用节点进行下一步的选择。比如，我们获取了 head 节点元素，我们可以继续调用 head 来选取其内部的 head 节点元素：
1 |
html = """ |
运行结果如下：
1 |
<title>The Dormouse's story</title> |
第一行结果是调用 head 之后再次调用 title 而选择的 title 节点元素。然后打印输出了它的类型，可以看到，它仍然是 bs4.element.Tag 类型。也就是说，我们在 Tag 类型的基础上再次选择得到的依然还是 Tag 类型，每次返回的结果都相同，所以这样就可以做嵌套选择了。
最后，输出它的 string 属性，也就是节点里的文本内容。
关联选择
在做选择的时候，有时候不能做到一步就选到想要的节点元素，需要先选中某一个节点元素，然后以它为基准再选择它的子节点、父节点、兄弟节点等，这里就来介绍如何选择这些节点元素。
(1) 子节点和子孙节点
选取节点元素之后，如果想要获取它的直接子节点，可以调用 contents 属性，示例如下：
1 |
html = """ |
运行结果如下：
1 |
['\n Once upon a time there were three little sisters; and their names were\n ', <a class="sister" href="http://example.com/elsie" id="link1"> |
可以看到，返回结果是列表形式。p 节点里既包含文本，又包含节点，最后会将它们以列表形式统一返回。
需要注意的是，列表中的每个元素都是 p 节点的直接子节点。比如第一个 a 节点里面包含一层 span 节点，这相当于孙子节点了，但是返回结果并没有单独把 span 节点选出来。所以说，contents 属性得到的结果是直接子节点的列表。
同样，我们可以调用 children 属性得到相应的结果：
1 |
from bs4 import BeautifulSoup |
运行结果如下：
1 |
<list_iterator object at 0x1064f7dd8> |
还是同样的 HTML 文本，这里调用了 children 属性来选择，返回结果是生成器类型。接下来，我们用 for 循环输出相应的内容。
如果要得到所有的子孙节点的话，可以调用 descendants 属性：
1 |
from bs4 import BeautifulSoup |
运行结果如下：
1 |
<generator object descendants at 0x10650e678> |
此时返回结果还是生成器。遍历输出一下可以看到，这次的输出结果就包含了 span 节点。descendants 会递归查询所有子节点，得到所有的子孙节点。
(2) 父节点和祖先节点
如果要获取某个节点元素的父节点，可以调用 parent 属性：
1 |
html = """ |
运行结果如下：
1 |
<p class="story"> |
这里我们选择的是第一个 a 节点的父节点元素。很明显，它的父节点是 p 节点，输出结果便是 p 节点及其内部的内容。
需要注意的是，这里输出的仅仅是 a 节点的直接父节点，而没有再向外寻找父节点的祖先节点。如果想获取所有的祖先节点，可以调用 parents 属性：
1 |
html = """ |
运行结果如下：
1 |
<class 'generator'> |
可以发现，返回结果是生成器类型。这里用列表输出了它的索引和内容，而列表中的元素就是 a 节点的祖先节点。
(3) 兄弟节点
上面说明了子节点和父节点的获取方式，如果要获取同级的节点（也就是兄弟节点），应该怎么办呢？示例如下：
1 |
html = """ |
运行结果如下：
1 |
Next Sibling |
可以看到，这里调用了 4 个属性，其中 next_sibling 和 previous_sibling 分别获取节点的下一个和上一个兄弟元素，next_siblings 和 previous_siblings 则分别返回所有前面和后面的兄弟节点的生成器。
(4) 提取信息
前面讲解了关联元素节点的选择方法，如果想要获取它们的一些信息，比如文本、属性等，也用同样的方法，示例如下：
1 |
html = """ |
运行结果如下：
1 |
Next Sibling: |
如果返回结果是单个节点，那么可以直接调用 string、attrs 等属性获得其文本和属性；如果返回结果是多个节点的生成器，则可以转为列表后取出某个元素，然后再调用 string、attrs 等属性获取其对应节点的文本和属性。
6. 方法选择器
前面所讲的选择方法都是通过属性来选择的，这种方法非常快，但是如果进行比较复杂的选择的话，它就比较烦琐，不够灵活了。幸好，Beautiful Soup 还为我们提供了一些查询方法，比如 find_all() 和 find() 等，调用它们，然后传入相应的参数，就可以灵活查询了。
find_all()
find_all，顾名思义，就是查询所有符合条件的元素。给它传入一些属性或文本，就可以得到符合条件的元素，它的功能十分强大。
它的 API 如下：
1 |
find_all(name , attrs , recursive , text , **kwargs) |
(1)name
我们可以根据节点名来查询元素，示例如下：
1 |
html=''' |
运行结果如下：
1 |
[<ul class="list" id="list-1"> |
这里我们调用了 find_all() 方法，传入 name 参数，其参数值为 ul。也就是说，我们想要查询所有 ul 节点，返回结果是列表类型，长度为 2，每个元素依然都是 bs4.element.Tag 类型。
因为都是 Tag 类型，所以依然可以进行嵌套查询。还是同样的文本，这里查询出所有 ul 节点后，再继续查询其内部的 li 节点：
1 |
for ul in soup.find_all(name='ul'): |
运行结果如下：
1 |
[<li class="element">Foo</li>, <li class="element">Bar</li>, <li class="element">Jay</li>] |
返回结果是列表类型，列表中的每个元素依然还是 Tag 类型。
接下来，就可以遍历每个 li，获取它的文本了：
1 |
for ul in soup.find_all(name='ul'): |
运行结果如下：
1 |
[<li class="element">Foo</li>, <li class="element">Bar</li>, <li class="element">Jay</li>] |
(2)attrs
除了根据节点名查询，我们也可以传入一些属性来查询，示例如下：
1 |
html=''' |
运行结果如下：
1 |
[<ul class="list" id="list-1" name="elements"> |
这里查询的时候传入的是 attrs 参数，参数的类型是字典类型。比如，要查询 id 为 list-1 的节点，可以传入 attrs={'id': 'list-1'} 的查询条件，得到的结果是列表形式，包含的内容就是符合 id 为 list-1 的所有节点。在上面的例子中，符合条件的元素个数是 1，所以结果是长度为 1 的列表。
对于一些常用的属性，比如 id 和 class 等，我们可以不用 attrs 来传递。比如，要查询 id 为 list-1 的节点，可以直接传入 id 这个参数。还是上面的文本，我们换一种方式来查询：
1 |
from bs4 import BeautifulSoup |
运行结果如下：
1 |
[<ul class="list" id="list-1"> |
这里直接传入 id='list-1'，就可以查询 id 为 list-1 的节点元素了。而对于 class 来说，由于 class 在 Python 里是一个关键字，所以后面需要加一个下划线，即 class_='element'，返回的结果依然还是 Tag 组成的列表。
(3)text
text 参数可用来匹配节点的文本，传入的形式可以是字符串，可以是正则表达式对象，示例如下：
1 |
import re |
运行结果如下：
1 |
['Hello, this is a link', 'Hello, this is a link, too'] |
这里有两个 a 节点，其内部包含文本信息。这里在 find_all() 方法中传入 text 参数，该参数为正则表达式对象，结果返回所有匹配正则表达式的节点文本组成的列表。
find()
除了 find_all() 方法，还有 find() 方法，只不过后者返回的是单个元素，也就是第一个匹配的元素，而前者返回的是所有匹配的元素组成的列表。示例如下：
1 |
html=''' |
运行结果如下：
1 |
<ul class="list" id="list-1"> |
这里的返回结果不再是列表形式，而是第一个匹配的节点元素，类型依然是 Tag 类型。
另外，还有许多查询方法，其用法与前面介绍的 find_all()、find() 方法完全相同，只不过查询范围不同，这里简单说明一下。
find_parents()和find_parent()：前者返回所有祖先节点，后者返回直接父节点。find_next_siblings()和find_next_sibling()：前者返回后面所有的兄弟节点，后者返回后面第一个兄弟节点。find_previous_siblings()和find_previous_sibling()：前者返回前面所有的兄弟节点，后者返回前面第一个兄弟节点。find_all_next()和find_next()：前者返回节点后所有符合条件的节点，后者返回第一个符合条件的节点。find_all_previous()和find_previous()：前者返回节点后所有符合条件的节点，后者返回第一个符合条件的节点。
7. CSS 选择器
Beautiful Soup 还提供了另外一种选择器，那就是 CSS 选择器。如果对 Web 开发熟悉的话，那么对 CSS 选择器肯定也不陌生。如果不熟悉的话，可以参考 http://www.w3school.com.cn/cssref/css_selectors.asp 了解。
使用 CSS 选择器时，只需要调用 select() 方法，传入相应的 CSS 选择器即可，示例如下：
1 |
html=''' |
运行结果如下：
1 |
|
这里我们用了 3 次 CSS 选择器，返回的结果均是符合 CSS 选择器的节点组成的列表。例如，select('ul li') 则是选择所有 ul 节点下面的所有 li 节点，结果便是所有的 li 节点组成的列表。
最后一句打印输出了列表中元素的类型。可以看到，类型依然是 Tag 类型。
嵌套选择
select() 方法同样支持嵌套选择。例如，先选择所有 ul 节点，再遍历每个 ul 节点，选择其 li 节点，样例如下：
1 |
from bs4 import BeautifulSoup |
运行结果如下：
1 |
[<li class="element">Foo</li>, <li class="element">Bar</li>, <li class="element">Jay</li>] |
可以看到，这里正常输出了所有 ul 节点下所有 li 节点组成的列表。
获取属性
我们知道节点类型是 Tag 类型，所以获取属性还可以用原来的方法。仍然是上面的 HTML 文本，这里尝试获取每个 ul 节点的 id 属性：
1 |
from bs4 import BeautifulSoup |
运行结果如下：
1 |
list-1 |
可以看到，直接传入中括号和属性名，以及通过 attrs 属性获取属性值，都可以成功。
获取文本
要获取文本，当然也可以用前面所讲的 string 属性。此外，还有一个方法，那就是 get_text()，示例如下：
1 |
from bs4 import BeautifulSoup |
运行结果如下：
1 |
Get Text: Foo |
可以看到，二者的效果完全一致。
到此，Beautiful Soup 的用法基本就介绍完了，最后做一下简单的总结。
- 推荐使用 lxml 解析库，必要时使用 html.parser。
- 节点选择筛选功能弱但是速度快。
- 建议使用
find()或者find_all()查询匹配单个结果或者多个结果。 - 如果对 CSS 选择器熟悉的话，可以使用
select()方法选择。
