python爬虫使用BeautifulSoup模块解析数据入门
1.准备
首先进行模块安装：
pip install BeautifulSoup4
因为BeautifulSoup4依赖于lxml库，所以也要安装lxml库才能正常使用。
代码示例
from bs4 import BeautifulSoup
html_doc = """
<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 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>
"""
2.基本方法
首先需要用BeautifulSoup() 方法传递一个解析器
soup = BeautifulSoup(html_doc, 'lxml')
print(soup) # 查看
prettify() 方法 格式化输出：
print(soup.prettify()) # 代码的格式化
获取指定标签（只获取第一个匹配的）
print(soup.title)
获取指定标签的标签名
print(soup.title.name)
获取指定标签的文本字符串
print(soup.title.string)
使用**find()**方法，获取指定标签（只获取第一个与之匹配的）
print(soup.find('p'))
使用 find_all() 方法，获取全部与之匹配的标签，结果放在一个列表中
print(soup.find_all('a'))
找多个标签，给find_all()传入一个标签列表
print(soup.find_all(['a', 'p']))
get() 方法 获取标签的属性
links = soup.find_all('a') # 'a'通过字符串传递字符串过滤器
for link in links:
print(link.get('href'))
attrs 属性 获取标签的全部属性
links = soup.find_all('a')
a = links[0]
print(a.attrs)
3.对象种类
soup = BeautifulSoup(html_doc, 'lxml')
print(type(soup.title))
print(type(soup.p))
print(type(soup.a))
print(type(soup.find('a')))
得到的都是Tag标签类型，不是字符串。
title_head = soup.head
print(type(title_head.string))
可导航的字符串（可操纵的字符串）
print(type(soup)) # bs对象
bs对象。
此外，还有注释类型，指的是html文件的注释标签部分，形如
<b><!–xxxxxxxxx–><b>
这里不再具体展示，了解即可。
3.遍历文档树
● string获取标签里面的内容
● strings 返回是一个生成器对象用过来获取多个标签内容
● stripped_strings 和strings基本一致 但是它可以把多余的空格去掉
title_tag = soup.title
print(title_tag.string)
head_tag = soup.head
print(title_tag.string)
html_tag = soup.html
print(html_tag.string)
如图，使用同级标签，可以找到同级数据，使用上级标签也可以，使用再上一级标签，因为这里边可以匹配的字符串有多个，所以不能再匹配到数据。
这个时候可以将string属性换为strings属性再尝试：
texts = soup.html.strings
print(texts)
如图输出结果是一个生成器。可遍历。
for i in texts:
print(i)
但是如图，其中空行较多，不美观。于是可以切换使用stripped_strings属性，stripped_strings 和strings基本一致 但是它可以把多余的空格去掉。
texts = soup.html.stripped_strings
print(texts)
for i in texts:
print(i)
