python网络爬虫开发：BeautifulSoup网页解析库
BeautifulSoup在Python中是一个比较受欢迎的第三方库，它是一款比较优秀的网页解析库，里面提供了很多接口帮助我们来处理导航、搜索、修改分析树，它的查找提取功能非常好用，能够节省程序员大量的时间。
BeautifulSoup最新版为BeautifulSoup4，我们可以通过pip来安装，也可以在Pycharm中直接找到进行下载。
Pip安装过程如图：
1. BeautifulSoup的使用
我们先通过一段代码来测试使用一下它的用法：
|
1
2
3
4
5
6
7
8
9
10
11
12
|
Dot = """<html><head><title>dotcpp</title></head><body><p><b>c语言网</b></p><p>编程网站<a href="https://www.dotcpp.com/" id="link1">home</a>,<a href="https://blog.dotcpp.com/" id="link2">blog</a><a href="https://www.dotcpp.com/oj/problemset.html" id="link3">oj</a></p>"""from bs4 import BeautifulSoupsoup = BeautifulSoup(dot, "html.parser")print(soup.prettify()) |
输出结果为：
我们可以通过这种方式来解析网页，我们还可以通过它来进一步获取更精确的信息，例如：
|
1
2
3
4
5
6
7
8
9
10
11
|
soup = BeautifulSoup(html,"html.parser") print(suop.prettify())print(suop.title) # 获取title标签的所有内容print(suop.title.name) # 获取title标签的名字print(suop.title.string) # 获取title标签的文本内容print(suop.head) # 获取head标签的所有内容print(suop.div)# 获取第一个div标签中的所有内容print(suop.div["id"]) # 获取第一个div标签的id的值print(suop.a) # 获取第一个a标签中的所有内容print(suop.find_all("a")) # 获取所有的a标签，并遍历打印a标签中的href的值print(suop.find(id = "dot")) # 获取id="dot" |
输出结果即为对应的信息，注意解析html网页的解析方式，我们一直采用了Python中自带的html.parser，我们还可以选择lxml HTML、lxml XML和html5lib等解析器，他们分别有着优劣点，如果系统中有C语言库的可以选择下载前两者解析器，如果不想再下载过多插件的也可以直接选择我们上面用到的即可，我们在使用BeautifulSoup的时候一定要注意的就是网页解析，正确的解析方式十分重要。
2. BeautifulSoup4的四个对象
Beautiful Suop把网页中的信息转换成一个复杂的树形结构，通过子树分解为四个对象，分别是Tag、NavigableSting、BeautifulSoup、Comment。
1) Tag
Tag与它的对应的汉语一个意思，对应的就是HTML中的标签，像我们在上面使用到的：
|
1
2
|
print(suop.title) # 获取title标签的名称print(suop.a) # 获取所有的a标签中的所有内容 |
他们都属于标签信息，我们可以通过标签名来获取到这些标签中的内容，有一点需要注意的是在查找的时候，对应的是符合要求的第一个标签，Tag有两个属性，分别是name和attrs，name也就是标签的名字，attrs对应class、id等信息。
2) NavigableSting
NavigableSting对应的是标签内部的文字，例如：
|
1
|
print(suop.title.string) # 获取标签的所有内容 |
通过这种方式就可以直接获取到标签内部的文字。
3) BeautifulSoup
BeautifulSoup对象对应的是文档中的内容，它类似于一个特殊的标签，我们可以获取到它的类型、名称和属性，也就是上面我们所使用到的：
|
1
|
soup = BeautifulSoup(html,"html.parser") |
4) Comment
Comment对象是一个特殊的NavigableSting对象，它输出的内容没有注释符号，如果不加以处理会影响我们对文档的解析，因为这种方式会忽略掉文档的注释，
因此注释中的内容会以代码格式被解析出来，进而影响我们的后续操作，所有我们 一般会采用.string来输出内容。
