前言：
在网络数据处理与分析的领域里，网页数据提取是极为关键的一环。Python 作为一种功能强大且广受欢迎的编程语言，为开发者们提供了众多实用的库来处理这类任务，其中 BeautifulSoup 便是一款在网页数据提取方面表现卓越的库。
一、Beautiful Soup实战
1、什么是 Beautiful Soup ?
BeautifulSoup 是一个用于从 HTML 或 XML 文件中提取数据的 Python 库。它可以将复杂的 HTML 或 XML 文档转化为树形结构，使得开发者能够轻松地遍历、搜索和修改文档内容。借助 BeautifulSoup，我们能够迅速定位到所需的数据，如特定的标签、属性或文本信息。主要特点：
- 自动将输入文档转换为Unicode编码，输出文档转换为UTF-8编码。
- 支持多种解析器（如lxml、html5lib等）。
- 提供简单易用的导航、搜索和修改文档树的方法。
- 能够处理不规范的HTML文档。
2、安装
执行下面的命令进行安装
pip install beautifulsoup4
3、解析器
Beautiful Soup 支持多种解析器，每种解析器有不同的特点和适用场景。以下是主要的解析器及其差异对比。
| 解析器 | 安装方式 | 速度 | 容错性 | 依赖 | 适用场景 |
|---|---|---|---|---|---|
Python标准库 html.parser |
内置，无需安装 | 中等 | 中等 | 无 | 简单项目，不需要额外依赖 |
lxml的HTML解析器 lxml |
pip install lxml |
快 | 好 | lxml库 | 大多数情况下的首选 |
lxml的XML解析器 xml |
pip install lxml |
快 | 严格 | lxml库 | 解析严格的XML文档 |
html5lib html5lib |
pip install html5lib |
慢 | 非常好 | html5lib库 | 解析不规范HTML，模拟浏览器行为 |
4、创建 Beautiful Soup 对象
创建 Beautiful Soup 对象时大多数情况下只需要关注
markup和features参数，其他参数用于处理特殊情况。
markup参数（必需）- 作用：指定要解析的文档内容
- 可接受类型：
- 字符串形式的HTML/XML内容
- 文件对象（如通过
open()打开的文件） - URL响应内容（如requests库获取的响应）
- 示例：
# 从字符串创建 html_str = "<html><body><p>Hello World</p></body></html>" soup = BeautifulSoup(html_str, 'html.parser') # 从文件创建 with open('index.html') as f: soup = BeautifulSoup(f, 'html.parser') # 从网页响应创建 import requests response = requests.get('http://example.com') soup = BeautifulSoup(response.text, 'html.parser')
features参数（推荐指定）- 作用：指定使用的解析器类型
- 常用选项：
'html.parser'：Python内置解析器（无需安装额外库）'lxml'：lxml的HTML解析器（速度快，推荐使用）'xml'：lxml的XML解析器'html5lib'：容错性最好的HTML解析器
- 示例：
# 使用不同解析器 soup1 = BeautifulSoup(html_str, 'html.parser') # 内置解析器 soup2 = BeautifulSoup(html_str, 'lxml') # 推荐使用的lxml解析器 soup3 = BeautifulSoup(xml_str, 'xml') # 解析XML文档 soup4 = BeautifulSoup(bad_html, 'html5lib') # 处理不规范HTML
5、选择器
通过选择器来定位节点以及获取节点对应的值，常见的选择器有下面几种
5.1、节点选择器
- 通过标签名直接访问
soup.title # 获取第一个<title>标签 soup.p # 获取第一个<p>标签 find()方法soup.find('div') # 查找第一个<div>标签 soup.find('a', class_='external') # 查找第一个class为external的<a>标签find_all()方法soup.find_all('li') # 查找所有<li>标签 soup.find_all('span', {'class': 'highlight'}) # 查找所有class为highlight的<span>标签