python网络爬虫与信息提取——4.Beautiful Soup库入门

1.Beautiful Soup库的安装

Win平台: “以管理员身份运行”cmd执行 pip install beautifulsoup4

from bs4 import BeautifulSoup
导入以缩写bs4为库名

2.soup = BeautifulSoup('需要解析的html代码', 'html.parser解析器')

3.beautifulsoup库的基本元素

BeautifulSoup对应一个HTML/XML文档的全部内容

（1）Beautiful Soup库解析器

bs4的HTML解析器 BeautifulSoup(mk,'html.parser') 安装bs4库
lxml的HTML解析器 BeautifulSoup(mk,'lxml') pip install lxml
lxml的XML解析器 BeautifulSoup(mk,'xml') pip install lxml
html5lib的解析器 BeautifulSoup(mk,'html5lib') pip install html5lib

（2）BeautifulSoup类的基本元素

Tag 标签，最基本的信息组织单元，分别用<>和</>标明开头和结尾
Name 标签的名字，<p>…</p>的名字是'p'，格式：<tag>.name
Attributes 标签的属性，字典形式组织，格式：<tag>.attrs
NavigableString 标签内非属性字符串，<>…</>中字符串，格式：<tag>.string
Comment 标签内字符串的注释部分，一种特殊的Comment类型

任何存在于HTML语法中的标签都可以用soup.<tag>访问获得当HTML文档中存在多个相同<tag>对应内容时，soup.<tag>返回第一个

4.基于bs4库的HTML内容遍历方法

（1）标签树的下行遍历

.contents 子节点的列表，将<tag>所有儿子节点存入列表
.children 子节点的迭代类型，与.contents类似，用于循环遍历儿子节点
.descendants 子孙节点的迭代类型，包含所有子孙节点，用于循环遍历

BeautifulSoup类型是标签树的根节点

for child in soup.body.children:
    print(child)遍历儿子节点

for child in soup.body.descendants:
    print(child)遍历子孙节点

（2）标签树的上行遍历

.parent 节点的父亲标签
.parents 节点先辈标签的迭代类型，用于循环遍历先辈节点

（3）标签树的平行遍历

.next_sibling 返回按照HTML文本顺序的下一个平行节点标签
.previous_sibling 返回按照HTML文本顺序的上一个平行节点标签
.next_siblings 迭代类型，返回按照HTML文本顺序的后续所有平行节点标签
.previous_siblings 迭代类型，返回按照HTML文本顺序的前续所有平行节点标签

for sibling in soup.a.next_sibling:
    print(sibling)遍历后续节点
for sibling in soup.a.previous_sibling:
    print(sibling)遍历前续节点

5.bs4库的prettify()方法

.prettify()为HTML文本<>及其内容增加更加'\n'
.prettify()可用于标签，方法：<tag>.prettify()

bs4库将任何HTML输入都变成utf‐8编码Python 3.x默认支持编码是utf‐8,解析无障碍