1,概述
和 lxml 一樣，Beautiful Soup 也是一個HTML/XML的解析器杆煞，主要的功能也是如何解析和提取 HTML/XML 數(shù)據体捏。
lxml 只會局部遍歷染苛，而Beautiful Soup 是基于HTML DOM的，會載入整個文檔毁兆，解析整個DOM樹浙滤，因此時間和內存開銷都會大很多，所以性能要低于lxml气堕。
BeautifulSoup 用來解析 HTML 比較簡單纺腊，API非常人性化，支持CSS選擇器茎芭、Python標準庫中的HTML解析器揖膜，也支持 lxml 的 XML解析器。
Beautiful Soup 3 目前已經停止開發(fā)梅桩，推薦現(xiàn)在的項目使用Beautiful Soup 4壹粟。使用 pip 安裝即可：pip install beautifulsoup4
2，四大對象種類
Beautiful Soup將復雜HTML文檔轉換成一個復雜的樹形結構,每個節(jié)點都是Python對象,所有對象可以歸納為4種:
- Tag
- NavigableString
- BeautifulSoup
- Comment
1,Tag
Tag 通俗點講就是 HTML 中的一個個標簽以及標簽中的內容
from bs4 import BeautifulSoup
html = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title" name="dromouse"><b>The Dormouse's story</b></p>
<p class="story">Once upon a time there were three little sisters; and their names were
<a class="sister" id="link1"><!-- Elsie --></a>,
<a class="sister" id="link2">Lacie</a> and
<a class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>
<p class="story">...</p>
"""
#創(chuàng)建 Beautiful Soup 對象
soup = BeautifulSoup(html)
print type(soup.p)
# <class 'bs4.element.Tag'>
對于 Tag摘投，它有兩個重要的屬性煮寡，是 name 和 attrs
print soup.name
# [document] #soup 對象本身比較特殊，它的 name 即為 [document]
print soup.head.name
# head #對于其他內部標簽犀呼，輸出的值便為標簽本身的名稱
print soup.p.attrs
# {'class': ['title'], 'name': 'dromouse'}
# 在這里幸撕，我們把 p 標簽的所有屬性打印輸出了出來，得到的類型是一個字典外臂。
print soup.p['class'] # soup.p.get('class')
# ['title'] #還可以利用get方法坐儿，傳入屬性的名稱，二者是等價的
soup.p['class'] = "newClass"
print soup.p # 可以對這些屬性和內容等等進行修改
# <p class="newClass" name="dromouse"><b>The Dormouse's story</b></p>
del soup.p['class'] # 還可以對這個屬性進行刪除
print soup.p
# <p name="dromouse"><b>The Dormouse's story</b></p>
2,2. NavigableString
既然我們已經得到了標簽的內容宋光，那么問題來了貌矿，我們要想獲取標簽內部的文字怎么辦呢？很簡單罪佳，用 .string 即可逛漫，例如
print soup.p.string
# The Dormouse's story
print type(soup.p.string)
# In [13]: <class 'bs4.element.NavigableString'>
3, BeautifulSoup
BeautifulSoup 對象表示的是一個文檔的內容。大部分時候,可以把它當作 Tag 對象赘艳，是一個特殊的 Tag酌毡，我們可以分別獲取它的類型，名稱蕾管，以及屬性
print type(soup.name)
# <type 'unicode'>
print soup.name
# [document]
print soup.attrs # 文檔本身的屬性為空
# {}
4,Comment
Comment 對象是一個特殊類型的 NavigableString 對象枷踏，其輸出的內容不包括注釋符號。
print soup.a
# <a class="sister" id="link1"><!-- Elsie --></a>
print soup.a.string
# Elsie
print type(soup.a.string)
# <class 'bs4.element.Comment'>
a 標簽里的內容實際上是注釋掰曾，但是如果我們利用 .string 來輸出它的內容時旭蠕，注釋符號已經去掉了。
3，遍歷文檔樹
1. 直接子節(jié)點 ：.contents .children 屬性
tag 的 .content 屬性可以將tag的子節(jié)點以列表的方式輸出掏熬。輸出方式為列表佑稠，我們可以用列表索引來獲取它的某一個元素
.children，它返回的不是一個 list孽江，而是一個list生成器對象讶坯，不過我們可以通過遍歷獲取所有子節(jié)點。
2岗屏，所有子孫節(jié)點: .descendants 屬性
.contents 和 .children 屬性僅包含tag的直接子節(jié)點辆琅，.descendants 屬性可以對所有tag的子孫節(jié)點進行遞歸循環(huán)，和 children類似这刷，我們也需要遍歷獲取其中的內容婉烟。
3，節(jié)點內容: .string 屬性
如果tag只有一個 NavigableString 類型子節(jié)點,那么這個tag可以使用 .string 得到子節(jié)點暇屋。如果一個tag僅有一個子節(jié)點,那么這個tag也可以使用 .string 方法,輸出結果與當前唯一子節(jié)點的 .string 結果相同似袁。
通俗點說就是：如果一個標簽里面沒有標簽了，那么 .string 就會返回標簽里面的內容咐刨。如果標簽里面只有唯一的一個標簽了昙衅，那么 .string 也會返回最里面的內容
4，搜索文檔樹
1定鸟，1.find_all(name, attrs, recursive, text, **kwargs)
1）name 參數(shù)
name 參數(shù)可以查找所有名字為 name 的tag,字符串對象會被自動忽略掉
A.傳字符串
最簡單的過濾器是字符串.在搜索方法中傳入一個字符串參數(shù),Beautiful Soup會查找與字符串完整匹配的內容,
B.傳正則表達式
如果傳入正則表達式作為參數(shù),Beautiful Soup會通過正則表達式的 match() 來匹配內容.
C.傳列表
如果傳入列表參數(shù),Beautiful Soup會將與列表中任一元素匹配的內容返回.
2）keyword 參數(shù)
soup.find_all(id='link2')
3）text 參數(shù)
通過 text 參數(shù)可以搜搜文檔中的字符串內容而涉，與 name 參數(shù)的可選值一樣, text 參數(shù)接受 字符串 , 正則表達式 , 列表
2，CSS選擇器
這就是另一種與 find_all 方法有異曲同工之妙的查找方法.
寫 CSS 時联予，標簽名不加任何修飾啼县，類名前加.，id名前加#
在這里我們也可以利用類似的方法來篩選元素沸久，用到的方法是 soup.select()季眷，返回類型是 list
（1）通過標簽名查找
print soup.select('title')
#[<title>The Dormouse's story</title>]
（2）通過類名查找
print soup.select('.sister')
#[<a class="sister" id="link1"><!-- Elsie --></a>, <a class="sister" id="link2">Lacie</a>, <a class="sister" id="link3">Tillie</a>]
（3）通過 id 名查找
print soup.select('#link1')
#[<a class="sister" id="link1"><!-- Elsie --></a>]
（4）組合查找
組合查找即和寫 class 文件時，標簽名與類名卷胯、id名進行的組合原理是一樣的子刮，例如查找 p 標簽中，id 等于 link1的內容窑睁，二者需要用空格分開
print soup.select('p #link1')
#[<a class="sister" id="link1"><!-- Elsie --></a>]
直接子標簽查找挺峡，則使用 > 分隔
print soup.select("head > title")
#[<title>The Dormouse's story</title>]
（5）屬性查找
查找時還可以加入屬性元素，屬性需要用中括號括起來卵慰，注意屬性和標簽屬于同一節(jié)點，所以中間不能加空格佛呻，否則會無法匹配到裳朋。
print soup.select('a[)
#[<a class="sister" id="link1"><!-- Elsie --></a>]
同樣，屬性仍然可以與上述查找方式組合，不在同一節(jié)點的空格隔開鲤嫡，同一節(jié)點的不加空格
print soup.select('p a[)
#[<a class="sister" id="link1"><!-- Elsie --></a>]
(6) 獲取內容
以上的 select 方法返回的結果都是列表形式送挑，可以遍歷形式輸出，然后用 get_text() 方法來獲取它的內容暖眼。
soup = BeautifulSoup(html, 'lxml')
print type(soup.select('title'))
print soup.select('title')[0].get_text()
for title in soup.select('title'):
print title.get_text()
5,使用BeautifulSoup4爬取騰訊社招信息案例
import requests
from bs4 import BeautifulSoup
import json
def tencent(url, item_list):
headers = {
"User-Agent": "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/59.0.3071.86 Safari/537.36"}
# 使用requests模塊的get方法惕耕，發(fā)送請求，獲取響應的數(shù)據
html = requests.get(url, headers=headers).content
print("[LOG]: 正在抓取...%s" % url[-3:])
# 指定lxml解析器诫肠，提取html文件
soup = BeautifulSoup(html, "lxml")
# select選取html文件中所有的even和odd類司澎，返回的是一個列表
# 原網頁對于奇數(shù)even和偶數(shù)odd條目，用不同的顏色區(qū)分
node_list = soup.select(".even, .odd")
# 循環(huán)遍歷每頁的招聘信息
for node in node_list:
# 每一個職位要想抓取的信息
item = {}
# 職位名
item["positionName"] = node.select("td a")[0].get_text()
# 職位鏈接
item["positionLink"] = "http://hr.tencent.com/" + node.select("td a")[0].get("href")
# 職位類別
item["positionType"] = node.select("td")[1].get_text()
# 職位招聘人數(shù)
item["peopleNumber"] = node.select("td")[2].get_text()
# 工作地點
item["workLocation"] = node.select("td")[3].get_text()
# 發(fā)布時間
item["publishtimes"] = node_list[0].select("td")[4].get_text()
item_list.append(item)
if __name__ == "__main__":
# 騰通社招網站
url = "http://hr.tencent.com/position.php?&start="
# 用于裝所有的招聘職位栋豫，每頁顯示10條招聘信息
item_list = []
# 分析騰訊utl地址挤安，可知
# start=0 第一頁
# start=10 第二頁
# start=20 第三頁
for page in range(0, 100, 10):
tencent(url + str(page), item_list)
# 默認按ascii處理所有文本
# ensure_ascii = False 表示處理中文時，禁用ascii編碼丧鸯，按Unicode處理
content = json.dumps(item_list, ensure_ascii=False)
with open("tencent.json", "w") as f:
f.write(content)
