Python 之 Beautiful Soup 4文件
*****************簡單版******************
入門
（ps:其實入門什麼的看官方文件是最好的了，這裡只是記錄一下簡單的用法。）
首先先介紹實際工作中最常用的幾個方法：
舉例的html程式碼（就用官方例子好了）:
1 <html> 2 <head> 3 <title>Page title</title> 4 </head> 5 <body> 6 <p id="firstpara" align="center"> 7 This is paragraph<b>one</b>. 8 </p> 9 <p id="secondpara" align="blah"> 10 This is paragraph<b>two</b>. 11 </p> 12 </body> 13 </html>
0、初始化：
1 soup = BeautifulSoup(html) # html為html原始碼字串，type(html) == str
1、用tag獲取相應程式碼塊的剖析樹：
既然要分析html，首先要找到對我們有用的tag塊，beautiful提供了非常便利的方式。
#當用tag作為搜尋條件時，我們獲取的包含這個tag塊的剖析樹： #<tag><xxx>ooo</xxx></tag> #這裡獲取head這個塊 head = soup.find('head') # or # head = soup.head # or # head = soup.contents[0].contents[0]
執行後，我們會得到：
1 <head> 2 <title>Page title</title> 3 </head>
find方法在當前tag剖析樹（當前這個html程式碼塊中）尋找符合條件的子樹並返回。find方法提供多種查詢方式，包括用喜聞樂見的regex哦~之後會詳細介紹。
contents屬性是一個列表，裡面儲存了該剖析樹的直接兒子。
如：
1 html = soup.contents[0] # <html> ... </html> 2 head = html.contents[0] # <head> ... </head> 3 body = html.contents[1] # <body> ... </body>
2、用contents[], parent, nextSibling, previousSibling尋找父子兄弟tag
為了更加方便靈活的分析html程式碼塊，beautifulSoup提供了幾個簡單的方法直接獲取當前tag塊的父子兄弟。
假設我們已經獲得了body這個tag塊，我們想要尋找<html>, <head>, 第一個<p>, 第二個<p>這四個tag塊：
# body = soup.bodyhtml = body.parent # html是body的父親
head = body.previousSibling # head和body在同一層，是body的前一個兄弟
p1 = body.contents[0] # p1, p2都是body的兒子，我們用contents[0]取得p1 p2 = p1.nextSibling # p2與p1在同一層，是p1的後一個兄弟, 當然body.content[1]也可得到 print p1.text # u'This is paragraphone.' print p2.text # u'This is paragraphtwo.' # 注意：1，每個tag的text包括了它以及它子孫的text。2，所有text已經被自動轉 #為unicode，如果需要，可以自行轉碼encode(xxx)
然而，如果我們要尋找祖先或者孫子tag怎麼辦呢？？ 用while迴圈嗎？ 不， beautifulsoup已經提供了方法。
3、用find, findParent, findNextSibling, findPreviousSibling尋找祖先或者子孫 tag：
有了上面的基礎，這裡應該很好理解了，例如find方法（我理解和findChild是一樣的），就是以當前節點為起始，遍歷整個子樹，找到後返回。
而這些方法的複數形式，會找到所有符合要求的tag，以list的方式放回。他們的對應關係是：find->findall, findParent->findParents, findNextSibling->findNextSiblings...
如：
1 print soup.findAll('p') 2 # [<p id="firstpara" align="center">This is paragraph <b>one</b>.</p>, <p id="secondpara" align="blah">This is paragraph <b>two</b>.</p>]
這裡我們重點講一下find的幾種用法，其他的類比：
find(name=None, attrs={}, recursive=True, text=None, **kwargs)
1) 搜尋tag：
1 find(tagname) # 直接搜尋名為tagname的tag 如：find('head') 2 find(list) # 搜尋在list中的tag，如: find(['head', 'body']) 3 find(dict) # 搜尋在dict中的tag，如:find({'head':True, 'body':True}) 4 find(re.compile('')) # 搜尋符合正則的tag, 如:find(re.compile('^p')) 搜尋以p開頭的tag 5 find(lambda) # 搜尋函式返回結果為true的tag, 如:find(lambda name: if len(name) == 1) 搜尋長度為1的tag 6 find(True) # 搜尋所有tag
2) 搜尋屬性(attrs)：
1 find(id='xxx') # 尋找id屬性為xxx的 2 find(attrs={id=re.compile('xxx'), algin='xxx'}) # 尋找id屬性符合正則且algin屬性為xxx的 3 find(attrs={id=True, algin=None}) # 尋找有id屬性但是沒有algin屬性的
3) 搜尋文字（text）:
注意，文字的搜尋會導致其他搜尋給的值如：tag, attrs都失效。
方法與搜尋tag一致
4) recursive, limit:
recursive=False表示只搜尋直接兒子，否則搜尋整個子樹，預設為True。
當使用findAll或者類似返回list的方法時，limit屬性用於限制返回的數量，如findAll('p', limit=2)： 返回首先找到的兩個tag
*4、用next，previous尋找上下文tag（少用）
這裡我們主要看看next, next是取得當前的tag的下一個（按程式碼從上到下的順序）tag塊。這與contents是不一樣的，千萬別混淆了哦^ ^
我們舉個栗子來看看
1 <a> 2 a 3 <b>b</b> 4 <c>c</c> 5 </a>
我們看看next的實際效果：
1 a = soup.a 2 b = soup.b 3 n1 = b.next 4 n2 = n1.next
輸出一下：
1 print a.next 2 # u'a' 3 print n1 4 # u'b' 5 print n2 6 # <c>c</c>
所以，next僅僅是獲取文件上的“下一個”的tag，和剖析樹中的位置無關。
當然也有findNext和findAllNext方法。
至於previous， 表示上一個tag塊，就類比一下吧~^ ^
*****************完整版******************
Beautiful Soup 是一個可以從HTML或XML檔案中提取資料的Python庫.它能夠通過你喜歡的轉換器實現慣用的文件導航,查詢,修改文件的方式.Beautiful Soup會幫你節省數小時甚至數天的工作時間.
這篇文件介紹了BeautifulSoup4中所有主要特性,並切有小例子.讓我來向你展示它適合做什麼,如何工作,怎樣使用,如何達到你想要的效果,和處理異常情況.
文件中出現的例子在Python2.7和Python3.2中的執行結果相同
你可能在尋找 Beautiful Soup3 的文件,Beautiful Soup 3 目前已經停止開發,我們推薦在現在的專案中使用Beautiful Soup 4, 移植到BS4
尋求幫助
如果你有關於BeautifulSoup的問題,可以傳送郵件到 討論組 .如果你的問題包含了一段需要轉換的HTML程式碼,那麼確保你提的問題描述中附帶這段HTML文件的 程式碼診斷 [1]