和 lxml 一样，Beautiful Soup 也是一个HTML/XML的解析器，主要的功能也是如何解析和提取 HTML/XML 数据。
lxml 只会局部遍历，而Beautiful Soup 是基于HTML DOM的，会载入整个文档，解析整个DOM树，因此时间和内存开销都会大很多，所以性能要低于lxml。
BeautifulSoup 用来解析 HTML 比较简单，API非常人性化，支持CSS选择器、Python标准库中的HTML解析器，也支持 lxml 的 XML解析器。
Beautiful Soup 3 目前已经停止开发，推荐现在的项目使用Beautiful Soup 4。使用 pip 安装即可： pip install beautifulsoup4
官方文档：http://beautifulsoup.readthedocs.io/zh_CN/v4.4.0
1.1 bs4的基本使用示例：
首先必须要导入 bs4 库
from bs4 import BeautifulSoup html = """ <html><head><title>The Dormouse's story</title></head> <body> <p class="title" name="dromouse"><b>The Dormouse's story</b></p> <p class="story">Once upon a time there were three little sisters; and their names were <a href="http://example.com/elsie" class="sister" id="link1"><!-- Elsie --></a>, <a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and <a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; and they lived at the bottom of a well.</p> <p class="story">...</p> """ #创建 Beautiful Soup 对象 soup = BeautifulSoup(html) # soup = BeautifulSoup(html, 'lxml') #打开本地 HTML 文件的方式来创建对象 #soup = BeautifulSoup(open('index.html')) #格式化输出 soup 对象的内容 print(soup.prettify())运行结果：
<html> <head> <title> The Dormouse's story </title> </head> <body> <p class="title" name="dromouse"> <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="link3"> Tillie </a> ; and they lived at the bottom of a well. </p> <p class="story"> ... </p> </body> </html>注意：
如果我们在 Python 下执行，会看到这样一段警告：
意思是，如果我们没有显式地指定解析器，所以默认使用这个系统的最佳可用HTML解析器(“lxml”)。
如果你在另一个系统中运行这段代码，或者在不同的虚拟环境中，使用不同的解析器造成行为不同。
但是我们可以通过soup = BeautifulSoup(html, 'lxml')方式指定lxml解析器。
2.1 find_all(name, attrs, recursive, text, **kwargs)
1) name 参数
name 参数可以查找所有名字为 name 的tag
A 传字符串
最简单的过滤器是字符串.在搜索方法中传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容,下面的例子用于查找文档中所有的标签:
print(soup.find_all('b')) # [<b>The Dormouse's story</b>] print(soup.find_all('a')) #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]B 传正则表达式
如果传入正则表达式作为参数,Beautiful Soup会通过正则表达式的 match() 来匹配内容.下面例子中找出所有以b开头的标签,这表示和标签都应该被找到
import re for tag in soup.find_all(re.compile("^b")): print(tag.name) # body # bC 传列表
如果传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回.下面代码找到文档中所有标签和标签:
print(soup.find_all(["a", "b"])) # [<b>The Dormouse's story</b>, # <a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>, # <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, # <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]2）keyword 参数
print(soup.find_all(class_="sister")) # 注意 这里是class_ 最后有个下划线！ #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>] print(soup.find_all(id='link2')) # [<a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>]3）text 参数
通过 text 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, text 参数接受 字符串 , 正则表达式 , 列表
import re print(soup.find_all(text=" Elsie ")) # 注释内容不能少了空格！ # [' Elsie '] print(soup.find_all(text=["Tillie", "Elsie", "Lacie"])) # 这就找不到注释内容！ # ['Lacie', 'Tillie'] print(soup.find_all(text=re.compile("Dormouse"))) ["The Dormouse's story", "The Dormouse's story"]2.2 find
find的用法与find_all一样，区别在于find返回 第一个符合匹配结果，find_all则返回 所有匹配结果的列表
2.3 CSS选择器
这就是另一种与 find_all 方法有异曲同工之妙的查找方法，也是返回所有匹配结果的列表。
写 CSS 时，标签名不加任何修饰，类名前加.，id名前加#
在这里我们也可以利用类似的方法来筛选元素，用到的方法是 soup.select()，返回类型是 list
（1）通过标签选择器查找
print(soup.select('title')) #[<title>The Dormouse's story</title>] print(soup.select('a')) #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>] print(soup.select('b')) #[<b>The Dormouse's story</b>]（2）通过类选择器查找
print(soup.select('.sister')) #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>]（3）通过 id 选择器查找
print(soup.select('#link1')) #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]（4）层级选择器 查找
print(soup.select('p #link1')) #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>]（5）通过属性选择器查找
print(soup.select('a[class="sister"]')) #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>, <a class="sister" href="http://example.com/lacie" id="link2">Lacie</a>, <a class="sister" href="http://example.com/tillie" id="link3">Tillie</a>] print(soup.select('a[href="http://example.com/elsie"]')) #[<a class="sister" href="http://example.com/elsie" id="link1"><!-- Elsie --></a>](6) 获取文本内容 get_text()
以上的 select 方法返回的结果都是列表形式，可以遍历形式输出，然后用 get_text() 方法来获取它的内容。
soup = BeautifulSoup(html, 'lxml') print(type(soup.select('title'))) print(soup.select('title')[0].get_text()) for title in soup.select('title'): print(title.get_text())(7) 获取属性 get('属性的名字')
soup = BeautifulSoup(html, 'lxml') print(type(soup.select('a'))) print(soup.select('a')[0].get('href'))用bs4来做一个简单的爬虫，爬取某个贴吧里的所有帖子，获取每个帖子的标题，链接和帖子中图片的链接
3.1 思路分析：
参考前一小节中动手练习的思路分析
3.2 本练习中会用到bs4的其他方法
bs4获取标签的某个属性
soup.select('a')[0]['href'] # bs4 获取a标签的href属性bs4根据文本内容定位元素
soup.find_all('a', text='下一页') # bs4 根据a标签的文本内容获取a标签bs4根据标签名和标签的class属性来获取标签
soup.find_all('img', class_='BDE_Image') # 注意这里又是class_ 后边有个下划线3.3 参考代码
import requests # from lxml import etree from bs4 import BeautifulSoup class TieBaSpider: def __init__(self, tieba_name): #1. start_url self.start_url= "http://tieba.baidu.com/mo/q---C9E0BC1BC80AA0A7CE472600CDE9E9E3:FG=1-sz@320_240,-1-3-0--2--wapp_1525330549279_782/m?kw={}&lp=6024".format(tieba_name) self.headers = {"User-Agent": "Mozilla/5.0 (Linux; Android 8.0; Pixel 2 Build/OPD3.170816.012) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.139 Mobile Safari/537.36"} self.part_url = "http://tieba.baidu.com/mo/q---C9E0BC1BC80AA0A7CE472600CDE9E9E3:FG=1-sz@320_240,-1-3-0--2--wapp_1525330549279_782" def parse_url(self,url): #发送请求，获取响应 # print(url) response = requests.get(url,headers=self.headers) return response.content def get_content_list(self,html_str): #3. 提取数据 # html = etree.HTML(html_str) html = BeautifulSoup(html_str, 'lxml') # div_list = html.xpath("//body/div/div[contains(@class,'i')]") div_list = html.select('div[class="i"]') content_list = [] for div in div_list: item = {} # item["href"] = self.part_url+div.xpath("./a/@href")[0] item["href"] = self.part_url + div.select('a')[0]['href'] # bs4 获取标签的某个属性 # item["title"] = div.xpath("./a/text()")[0] item["title"] = div.select('a')[0].get_text() # bs4 获取标签的文本内容 item["img_list"] = self.get_img_list(item["href"], []) content_list.append(item) #提取下一页的url地址 # next_url = html.xpath("//a[text()='下一页']/@href") next_url = html.find_all('a', text='下一页') # bs4 根据文本内容定位元素 next_url = self.part_url + next_url[0]['href'] if len(next_url)>0 else None return content_list, next_url def get_img_list(self,detail_url, img_list): #1. 发送请求，获取响应 detail_html_str = self.parse_url(detail_url) #2. 提取数据 # detail_html = etree.HTML(detail_html_str) detail_html = BeautifulSoup(detail_html_str, 'lxml') # img_list += detail_html.xpath("//img[@class='BDE_Image']/@src") for img in detail_html.find_all('img', class_='BDE_Image'): # bs4 img_list.append(img['src']) #详情页下一页的url地址 # next_url = detail_html.xpath("//a[text()='下一页']/@href") next_url = detail_html.find_all('a', text='下一页') # bs4 根据文本内容定位元素 # next_url = self.part_url + next_url[0] if len(next_url)>0 else None next_url = self.part_url + next_url[0]['href'] if len(next_url) > 0 else None if next_url is not None: #当存在详情页的下一页，请求 return self.get_img_list(next_url, img_list) #else不用写 img_list = [requests.utils.unquote(i).split("src=")[-1] for i in img_list] return img_list def save_content_list(self,content_list):#保存数据 for content in content_list: print(content) def run(self): #实现主要逻辑 next_url = self.start_url while next_url is not None: #1. start_url #2. 发送请求，获取响应 html_str = self.parse_url(next_url) #3. 提取数据 content_list, next_url = self.get_content_list(html_str) #4. 保存 self.save_content_list(content_list) #5. 获取next_url，循环2-5 if __name__ == '__main__': tieba = TieBaSpider("传智播客") tieba.run()