Beautiful Soup（簡稱BS4）是一種強大而靈活的html和XML解析庫，廣泛用于Python/ target=_blank class=infotextkey>Python爬蟲和數據采集中。

這篇文章介紹 Beautiful Soup的功能和用法，并提供示例代碼，幫助你更好地理解和應用這個優秀的庫。

一、Beautiful Soup簡介

1.1 什么是Beautiful Soup？

Beautiful Soup是一個Python庫，用于解析HTML和XML文檔，并提供了簡單而直觀的方式來遍歷文檔樹、搜索特定標簽和提取數據。它的名字取自路易斯·卡洛斯·蒙特斯·庫比斯（Luis Carlos Monteiro Cabral de Melo）的詩歌《Alice》中的一句話：“Beautiful Soup so rich and green, WAIting in a hot tureen!”，寓意著它用來“撈取”美味的數據。

1.2 安裝Beautiful Soup

使用pip來安裝Beautiful Soup庫：

pip install beautifulsoup4

同時，為了能夠解析HTML和XML文檔，還需要安裝一個解析器，如lxml或html5lib：

pip install lxml
# 或
pip install html5lib

1.3 導入Beautiful Soup

導入Beautiful Soup庫：

from bs4 import BeautifulSoup

二、Beautiful Soup的基本用法

2.1 解析HTML文檔

Beautiful Soup可以解析HTML或XML文檔，并將其轉換成文檔樹的形式，以便于遍歷和操作。

示例代碼：

from bs4 import BeautifulSoup

# HTML文檔示例
html_doc = """
<html>
    <head>
        <title>我的第一個網頁</title>
    </head>
    <body>
        <h1>歡迎來到我的網頁</h1>
        <p>這是一個段落。</p>
    </body>
</html>
"""

# 創建Beautiful Soup對象
soup = BeautifulSoup(html_doc, 'html.parser')

在這個示例中，創建了一個Beautiful Soup對象，并使用html.parser解析器解析了HTML文檔。

2.2 遍歷文檔樹

一旦有了Beautiful Soup對象，就可以遍歷文檔樹，查找特定的標簽和數據。

以下是一些基本的遍歷方法：

2.2.1 查找標簽

使用find()方法來查找特定的標簽：

# 查找第一個<h1>標簽
h1_tag = soup.find('h1')

# 打印標簽文本
print(h1_tag.text)

2.2.2 遍歷子節點

使用children屬性來遍歷一個標簽的子節點：

# 遍歷<body>標簽的子節點
body_tag = soup.find('body')
for child in body_tag.children:
    print(child)

2.2.3 遍歷所有標簽

使用find_all()方法來查找所有特定類型的標簽：

# 查找所有<p>標簽
p_tags = soup.find_all('p')

# 遍歷所有<p>標簽
for p_tag in p_tags:
    print(p_tag.text)

2.3 提取數據

找到目標標簽，就可以提取其中的數據。

以下是一些提取數據的示例：

2.3.1 獲取標簽文本

使用.text屬性獲取標簽的文本內容：

# 獲取<h1>標簽的文本內容
h1_text = h1_tag.text
print(h1_text)

2.3.2 獲取標簽屬性

如果標簽有屬性，可以使用字典的方式獲取：

# 獲取<head>標簽的lang屬性值
head_tag = soup.find('head')
lang_value = head_tag['lang']
print(lang_value)

2.3.3 提取鏈接

如果要提取鏈接，可以使用.get()方法：

# 獲取<a>標簽的鏈接
a_tag = soup.find('a')
link = a_tag.get('href')
print(link)

三、高級用法

3.1 使用css選擇器

Beautiful Soup支持使用CSS選擇器來查找標簽，這使得查找更靈活和方便：

# 使用CSS選擇器查找所有<p>標簽
p_tags = soup.select('p')

3.2 嵌套查找

在查找方法中嵌套使用，以查找更深層次的標簽：

# 查找<body>標簽下的所有<p>標簽
p_tags = soup.find('body').find_all('p')

3.3 處理不規范的HTML

Beautiful Soup可以處理不規范的HTML文檔，自動修復標簽嵌套和缺失的情況：

# 處理不規范的HTML文檔
dirty_html = "<p>這是一個段落</p>"
soup = BeautifulSoup(dirty_html, 'html.parser')
print(soup.prettify())

四、示例代碼

以下是一個完整的示例，演示了如何使用Beautiful Soup解析HTML文檔、遍歷文檔樹、查找標簽和提取數據：

from bs4 import BeautifulSoup

# HTML文檔示例
html_doc = """
<html>
    <head>
        <title>我的第一個網頁</title>
    </head>
    <body>
        <h1>歡迎來到我的網頁</h1>
        <p>這是一個段落。</p>
    </body>
</html>
"""

# 創建Beautiful Soup對象
soup = BeautifulSoup(html_doc, 'html.parser')

# 查找<h1>標簽
h1_tag = soup.find('h1')

# 獲取<h1>標簽的文本內容
h1_text = h1_tag.text

# 查找所有<p>標簽
p_tags = soup.find_all('p')

# 提取第一個<p>標簽的文本內容
p_text = p_tags[0].text

# 打印結果
print("標題:", h1_text)
print("段落:", p_text)

這個示例演示了如何解析HTML文檔、查找標簽和提取數據，以及如何處理不規范的HTML文檔。