转载自：https://zhuanlan.zhihu.com/p/181410680
Beautiful Soup是一个可以从HTML或XML文件中提取数据的python库。它能同过你喜欢的转换器实现惯用的文档导航，查找，修改文档的方式。
需要注意的是，Beautiful Soup已经自动将输入文档转换为Unicode编码，输出文档转换为utf-8编码。因此在使用它的时候不需要考虑编码方式，仅仅需要说明一下原始编码方式就可以了。
点击获取Python学习资料
一、安装Beautiful Soup库 使用pip命令工具安装Beautiful Soup4库
pip install beautifulsoup4 二、BeautifulSoup库的主要解析器
具体操作：
html = 'https://www.baidu.com' bs = BeautifulSoup(html, 'html.parser') 三、BeautifulSoup的简单使用 提取百度搜索页面的部分源代码为例：
<!DOCTYPE html> <html> <head> <meta content="text/html;charset=utf-8" http-equiv="content-type" /> <meta content="IE=Edge" http-equiv="X-UA-Compatible" /> <meta content="always" name="referrer" /> <link href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min. css" rel="stylesheet" type="text/css" /> <title>百度一下，你就知道 </title> </head> <body link="#0000cc"> <div id="wrapper"> <div id="head"> <div class="head_wrapper"> <div id="u1"> <a rel="nofollow" class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻 </a> <a rel="nofollow" class="mnav" href="https://www.hao123.com" name="tj_trhao123">hao123 </a> <a rel="nofollow" class="mnav" href="http://map.baidu.com" name="tj_trmap">地图 </a> <a rel="nofollow" class="mnav" href="http://v.baidu.com" name="tj_trvideo">视频 </a> <a rel="nofollow" class="mnav" href="http://tieba.baidu.com" name="tj_trtieba">贴吧 </a> <a rel="nofollow" class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;">更多产品 </a> </div> </div> </div> </div> </body> </html> 综合requests和使用BeautifulSoup库的html解析器,对其进行解析如下：
import requests from bs4 import BeautifulSoup
使用requests库加载页面代码
r = requests.get('https://www.baidu.com') r.encoding = r.apparent_encoding html = r.text
bs = BeautifulSoup(html, 'html.parser')
print(bs.prettify()) # prettify 方式输出页面 结果如下：
<!DOCTYPE html> <!--STATUS OK--> <html> <head> <meta content="text/html;charset=utf-8" http-equiv="content-type"/> <meta content="IE=Edge" http-equiv="X-UA-Compatible"/> <meta content="always" name="referrer"/> <link href="https://ss1.bdstatic.com/5eN1bjq8AAUYm2zgoY3K/r/www/cache/bdorz/baidu.min.css" rel="stylesheet" type="text/css"/> <title> 百度一下，你就知道 </title> </head> <body link="#0000cc"> <div id="wrapper"> <div id="head"> <div class="head_wrapper"> <div class="s_form"> <div class="s_form_wrapper"> <div id="lg"> <img height="129" hidefocus="true" src="//www.baidu.com/img/bd_logo1.png" width="270"/> </div> <form action="//www.baidu.com/s" class="fm" id="form" name="f"> <input name="bdorz_come" type="hidden" value="1"/> <input name="ie" type="hidden" value="utf-8"/> <input name="f" type="hidden" value="8"/> <input name="rsv_bp" type="hidden" value="1"/> <input name="rsv_idx" type="hidden" value="1"/> <input name="tn" type="hidden" value="baidu"/> <span class="bg s_ipt_wr"> <input autocomplete="off" autofocus="autofocus" class="s_ipt" id="kw" maxlength="255" name="wd" value=""/> </span> <span class="bg s_btn_wr"> <input autofocus="" class="bg s_btn" id="su" type="submit" value="百度一下"/> </span> </form> </div> </div> <div id="u1"> <a rel="nofollow" class="mnav" href="http://news.baidu.com" name="tj_trnews"> 新闻 </a> <a rel="nofollow" class="mnav" href="https://www.hao123.com" name="tj_trhao123"> hao123 </a> <a rel="nofollow" class="mnav" href="http://map.baidu.com" name="tj_trmap"> 地图 </a> <a rel="nofollow" class="mnav" href="http://v.baidu.com" name="tj_trvideo"> 视频 </a> <a rel="nofollow" class="mnav" href="http://tieba.baidu.com" name="tj_trtieba"> 贴吧 </a> <noscript> <a rel="nofollow" class="lb" href="http://img.558idc.com/uploadfile/allimg/python/?login&tpl=mn&u=http%3A%2F%2Fwww.baidu.com%2f%3fbdorz_come%3d1" name="tj_login"> 登录 </a> </noscript> <script> document.write('<a rel="nofollow" href="http://img.558idc.com/uploadfile/allimg/python/?login&tpl=mn&u='+ encodeURIComponent(window.location.href+ (window.location.search === "" ? "?" : "&")+ "bdorz_come=1")+ '" name="tj_login" class="lb">登录</a>'); </script> <a rel="nofollow" class="bri" href="//www.baidu.com/more/" name="tj_briicon" style="display: block;"> 更多产品 </a> </div> </div> </div> <div id="ftCon"> <div id="ftConw"> <p id="lh"> <a rel="nofollow" href="http://home.baidu.com"> 关于百度 </a> <a rel="nofollow" href="http://ir.baidu.com"> About Baidu </a> </p> <p id="cp"> ©2017 Baidu <a rel="nofollow" href="http://www.baidu.com/duty/"> 使用百度前必读 </a> <a rel="nofollow" class="cp-feedback" href="http://jianyi.baidu.com/"> 意见反馈 </a> 京ICP证030173号 <img src="//www.baidu.com/img/gs.gif"/> </p> </div> </div> </div> </body> </html> 四、BeautifulSoup类的基本元素 BeautifulSoup将复制的HTML文档转换成一个复杂的树型结构，每个节点都是python对象，所有对象可以归纳为四种 Tag，NavigableString，Comment，Beautifulsoup 。
Tag
任何存在于HTML语法中的标签都可以bs.tag访问获得，如果在HTML文档中存在多个相同的tag对应的内容时，bs.tag返回第一个。示例代码如下：
import requests from bs4 import BeautifulSoup
使用requests库加载页面代码
r = requests.get('https://www.baidu.com') r.encoding = r.apparent_encoding html = r.text bs = BeautifulSoup(html, 'html.parser')
获取第一个a标签的所有内容
print(bs.a) # <a rel="nofollow" class="mnav" href="http://news.baidu.com" name="tj_trnews">新闻</a> print(type(bs.a)) # <class 'bs4.element.Tag'> 在Tag标签中最重要的就是html页面中的nam和attrs属性，使用方法如下：
print(bs.a.name) # a
把a标签的所有属性打印输出出来，返回一个字典类型
print(bs.a.attrs) # {'href': 'http://news.baidu.com', 'name': 'tj_trnews', 'class': ['mnav']}
等价 bs.a.get('class')
print(bs.a['class']) # ['mnav'] bs.a['class'] = 'newClass' # 对class属性的值进行修改 print(bs.a) # <a rel="nofollow" class="newClass" href="http://news.baidu.com" name="tj_trnews">新闻</a> del bs.a['class'] # 删除class属性 print(bs.a) # <a rel="nofollow" href="http://news.baidu.com" name="tj_trnews">新闻</a> NavigableString NavigableString中的string方法用于获取标签内部的文字，代码如下：
import requests from bs4 import BeautifulSoup
使用requests库加载页面代码
r = requests.get('https://www.baidu.com') r.encoding = r.apparent_encoding html = r.text bs = BeautifulSoup(html, 'html.parser')
print(bs.title.string) # 百度一下，你就知道 print(type(bs.title.string)) # <class 'bs4.element.NavigableString'> Comment Comment对象是一个特殊类型的NavigableString对象，其输出的内容不包括注释符号，用于输出注释的内容。
from bs4 import BeautifulSoup
html = """<a rel="nofollow" class="mnav" href="http://news.baidu.com" name="tj_trnews"><!--新闻--></a>""" bs = BeautifulSoup(html, 'html.parser')
print(bs.a.string) # 新闻 print(type(bs.a.string)) # <class 'bs4.element.Comment'> BeautifulSoup bs对象表示的是一个文档的全部内容，大部分时候，可以把它当作Tag对象，支持遍历文档树和搜索文档中描述的大部分方法。
因为Beautifulsoup对象并不是真正的HTML或者XML的tag，所以它没有name和attribute属性。所以BeautifulSoup对象一般包含值为"[document]"的特殊属性.name
print(bs.name) # [document] 五、基于bs4库的HTML内容的遍历方法 在HTML中有如下特定的基本格式，也是构成HTML页面的基本组成成分。
而在这种基本的格式下有三种基本的遍历流程
下行遍历 上行遍历 平行遍历 三种遍历方式分别是从当前节点出发，对之上、之下、平行的格式以及关系进行遍历。
下行遍历 下行遍历分别有三种遍历属性，如下所示：
代码如下：
import requests from bs4 import BeautifulSoup
使用requests库加载页面代码
r = requests.get('https://www.baidu.com') r.encoding = r.apparent_encoding html = r.text bs = BeautifulSoup(html, 'html.parser')
循环遍历儿子节点
for child in bs.body.children: print(child)
循环遍历子孙节点
for child in bs.body.descendants: print(child)
输出子节点，以列表的形式
print(bs.head.contents) print(bs.head.contents[0]) # 用列表索引来获取它的某一个元素 上行遍历 上行遍历有两种方式，如下所示：
代码如下：
import requests from bs4 import BeautifulSoup
使用requests库加载页面代码
r = requests.get('https://www.baidu.com') r.encoding = r.apparent_encoding html = r.text bs = BeautifulSoup(html, 'html.parser')
for parent in bs.a.parents: if parent is not None: print(parent.name)
print(bs.a.parent.name) 平行遍历 平行遍历有四种属性，如下所示：
代码如下：
import requests from bs4 import BeautifulSoup
使用requests库加载页面代码
r = requests.get('https://www.baidu.com') r.encoding = r.apparent_encoding html = r.text bs = BeautifulSoup(html, 'html.parser')
for sibling in bs.a.next_siblings: print(sibling)
for sibling in bs.a.previous_siblings: print(sibling) 其它遍历
六、文件树搜索
使用bs.find_all(name, attires, recursive, string, **kwargs)方法，用于返回一个列表类型，存储查找的结果。
name参数
如果是 指定的字符串 ：会查找与字符串完全匹配的内容，代码如下：
a_list = bs.find_all("a") print(a_list) 使用正则表达式：将会使用BeautifulSoup4中的search()方法来匹配，代码如下：
import requests from bs4 import BeautifulSoup import re
使用requests库加载页面代码
r = requests.get('https://www.baidu.com') r.encoding = r.apparent_encoding html = r.text bs = BeautifulSoup(html, 'html.parser')
t_list = bs.find_all(re.compile("p")) for item in t_list: print(item) 传入一个列表：Beautifulsoup4将会与列表中的任一元素匹配到的节点返回，代码如下：
import requests from bs4 import BeautifulSoup
使用requests库加载页面代码
r = requests.get('https://www.baidu.com') r.encoding = r.apparent_encoding html = r.text bs = BeautifulSoup(html, 'html.parser')
t_list = bs.find_all(["meta", "link"]) for item in t_list: print(item) 传入一个函数或方法：将会根据函数或者方法来匹配，代码如下：
import requests from bs4 import BeautifulSoup
使用requests库加载页面代码
r = requests.get('https://www.baidu.com') r.encoding = r.apparent_encoding html = r.text bs = BeautifulSoup(html, 'html.parser')
def name_is_exists(tag): return tag.has_attr("name")
t_list = bs.find_all(name_is_exists) for item in t_list: print(item) attrs参数 并不是所有的属性都可以使用上面这种方法进行搜索，比如HTML的data属性，用于指定属性搜索。
import requests from bs4 import BeautifulSoup
使用requests库加载页面代码
r = requests.get('https://www.baidu.com') r.encoding = r.apparent_encoding html = r.text bs = BeautifulSoup(html, 'html.parser')
t_list = bs.find_all(attrs={"class": "mnav"})
for item in t_list: print(item) string参数 通过string参数可以搜索文档中的字符串内容，与name参数的可选值一样，string参数接受字符串，正则表达式，列表。
import requests from bs4 import BeautifulSoup import re
使用requests库加载页面代码
r = requests.get('https://www.baidu.com') r.encoding = r.apparent_encoding html = r.text bs = BeautifulSoup(html, 'html.parser')
t_list = bs.find_all(attrs={"class": "mnav"}) for item in t_list: print(item)
text用于搜索字符串
t_list = bs.find_all(text="hao123") for item in t_list: print(item)
text可以通其它参数混合使用用来过滤tag
t_list = bs.find_all("a", text=["hao123", "地图", "贴吧"]) for item in t_list: print(item)
t_list = bs.find_all(text=re.compile("\d\d")) for item in t_list: print(item) 使用find_all()方法，常用到的正则表达式形式 import re 代码如下：
bs.find_all(string = re.compile('python')) # 指定查找内容
或者指定使用正则表达式要搜索的内容
string = re.compile('python') # 字符为python bs.find_all(string) # 调用方法模版 七、常用的find()方法如下
八、爬取京东电脑数据 爬取的例子直接输出到屏幕。
(1)要爬取京东一页的电脑商品信息，下图所示：
(2)我们的目的是需要获取京东这一个页面上所有的电脑数据，包括价格，名称，ID等。具体代码如下：
#!/usr/bin/env python
-- coding:utf-8 --
import requests from bs4 import BeautifulSoup
headers = { 'User-agent': "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) " "Chrome/66.0.3359.139 Safari/537.36" }
URL = "https://search.jd.com/search?keyword=macbook%20pro&qrst=1&suggest=5.def.0.V09&wq=macbook%20pro"
r = requests.get(URL, headers=headers) r.encoding = r.apparent_encoding html = r.text bs = BeautifulSoup(html, 'html.parser')
all_items = bs.find_all('li', attrs={"class": "gl-item"})
for item in all_items: computer_id = item["data-sku"] computer_name = item.find('div', attrs={'class': 'p-name p-name-type-2'}) computer_price = item.find('div', attrs={'class': 'p-price'}) print('电脑ID为：' + computer_id) print('电脑名称为：' + computer_name.em.text) print('电脑价格为：' + computer_price.find('i').string) print('------------------------------------------------------------') 部分结果如下图所示：