共计 2758 个字符，预计需要花费 7 分钟才能阅读完成。
原文链接 https://www.fkomm.cn/article/…
Beautiful Soup 库一般被称为 bs4 库，支持 Python3，是我们写爬虫非常好的第三方库。因用起来十分的简便流畅。所以也被人叫做“美味汤”。目前 bs4 库的最新版本是 4.60。下文会介绍该库的最基本的使用，具体详细的细节还是要看：官方文档
bs4 库的安装
Python 的强大之处就在于他作为一个开源的语言，有着许多的开发者为之开发第三方库，这样我们开发者在想要实现某一个功能的时候，只要专心实现特定的功能，其他细节与基础的部分都可以交给库来做。bs4 库 就是我们写爬虫强有力的帮手。
安装的方式非常简单：我们用 pip 工具在命令行里进行安装
$ pip install beautifulsoup4
接着我们看一下是否成功安装了 bs4 库
$ pip list
这样我们就成功安装了 bs4 库
bs4 库的简单使用
这里我们先简单的讲解一下 bs4 库的使用，暂时不去考虑如何从 web 上抓取网页，假设我们需要爬取的 html 是如下这么一段：
// 下面的一段 HTML 代码将作为例子被多次用到. 这是 爱丽丝梦游仙境的 的一段内容 (以后内容中简称为 爱丽丝 的文档):
<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>
下面我们开始用 bs4 库解析这一段 html 网页代码。
#导入 bs4 模块
from bs4 import BeautifulSoup
#做一个美味汤
soup = BeautifulSoup(html，’html.parser’)
#输出结果
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 库将网页文件变成了一个 soup 的类型，事实上，bs4 库 是解析、遍历、维护、“标签树“的功能库。
通俗一点说就是：bs4 库把 html 源代码重新进行了格式化，从而方便我们对其中的节点、标签、属性等进行操作。
下面是几个简单的浏览结构化数据的方式：
请仔细观察最前面的 html 文件
# 找到文档的 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 的父亲节点的 name 属性
soup.title.parent.name
# u’head’
# 文档的第一个找到的段落
soup.p
# <p class=”title”><b>The Dormouse’s story</b></p>
# 找到的 p 的 class 属性值
soup.p[‘class’]
# u’title’
# 找到 a 标签
soup.a
# http://example.com/elsie” id=”link1″>Elsie
# 找到所有的 a 标签
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 值等于 3 的 a 标签
soup.find(id=”link3″)
# http://example.com/tillie” id=”link3″>Tillie
通过上面的例子 我们知道 bs4 库是这样理解一个 html 源文件的：
首先 把 html 源文件转换为 soup 类型
接着 从中通过特定的方式抓取内容
更高级点的用法？
从文档中找到所有标签的链接:
#发现了没有，find_all 方法返回的是一个可以迭代的列表
for link in soup.find_all(‘a’):
print(link.get(‘href’))
# http://example.com/elsie
# http://example.com/lacie
# http://example.com/tillie
从文档中获取所有文字内容:
#我们可以通过 get_text 方法 快速得到源文件中的所有 text 内容。
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 库的入门使用我们就先进行到这。
