概述
BeautifulSoup是Python的一个第三方库，可用于帮助解析html/XML等内容，以抓取特定的网页信息。目前最新的是v4版本，这里主要总结一下我使用的v3版本解析html的一些常用方法。
准备
1.Beautiful Soup安装
为了能够对页面中的内容进行解析，本文使用Beautiful Soup。当然，本文的例子需求较简单，完全可以使用分析字符串的方式。
执行
sudo easy_install beautifulsoup4
即可安装。
2.requests模块的安装
requests模块用于加载要请求的web页面。
在python的命令行中输入import requests，报错说明requests模块没有安装。
我这里打算采用easy_install的在线安装方式安装，发现系统中并不存在easy_install命令，输入sudo apt-get install python-setuptools来安装easy_install工具。
执行sudo easy_install requests安装requests模块。
基础
1.初始化
导入模块
#!/usr/bin/env python from BeautifulSoup import BeautifulSoup #process html #from BeautifulSoup import BeautifulStoneSoup #process xml #import BeautifulSoup #all
创建对象：str初始化，常用urllib2或browser返回的html初始化BeautifulSoup对象。
doc = ['hello','
This is paragraph one of ptyhonclub.org.','
This is paragraph two of pythonclub.org.','']
soup = BeautifulSoup(''.join(doc))
指定编码：当html为其他类型编码（非utf-8和asc ii），比如GB2312的话，则需要指定相应的字符编码，BeautifulSoup才能正确解析。
htmlCharset = "GB2312" soup = BeautifulSoup(respHtml,fromEncoding=htmlCharset)
2.获取tag内容
寻找感兴趣的tag块内容，返回对应tag块的剖析树
head = soup.find('head')
#head = soup.head
#head = soup.contents[0].contents[0]
print head
返回内容：hello
说明一下，contents属性是一个列表，里面保存了该剖析树的直接儿子。
html = soup.contents[0] # <html> ... </html> head = html.contents[0] # <head> ... </head> body = html.contents[1] # <body> ... </body>
body = soup.body html = body.parent # html是body的父亲
使用nextSibling,prevIoUsSibling获取前后兄弟
head = body.prevIoUsSibling # head和body在同一层，是body的前一个兄弟 p1 = body.contents[0] # p1,p2都是body的儿子，我们用contents[0]取得p1 p2 = p1.nextSibling # p2与p1在同一层，是p1的后一个兄弟,当然body.content[1]也可得到
contents[]的灵活运用也可以寻找关系节点,寻找祖先或者子孙可以采用findParent(s),findNextSibling(s),findPrevIoUsSibling(s)
4.find/findAll用法详解
函数原型：find(name=None,attrs={},recursive=True,text=None,**kwargs)，findAll会返回所有符合要求的结果，并以list返回。
tag搜索
find(tagname) # 直接搜索名为tagname的tag 如：find('head') find(list) # 搜索在list中的tag，如: find(['head','body']) find(dict) # 搜索在dict中的tag，如:find({'head':True,'body':True}) find(re.compile('')) # 搜索符合正则的tag,如:find(re.compile('^p')) 搜索以p开头的tag find(lambda) # 搜索函数返回结果为true的tag,如:find(lambda name: if len(name) == 1) 搜索长度为1的tag find(True) # 搜索所有tag
attrs搜索
find(id='xxx') # 寻找id属性为xxx的 find(attrs={id=re.compile('xxx'),algin='xxx'}) # 寻找id属性符合正则且algin属性为xxx的 find(attrs={id=True,algin=None}) # 寻找有id属性但是没有algin属性的 resp1 = soup.findAll('a',attrs = {'href': match1}) resp2 = soup.findAll('h1',attrs = {'class': match2}) resp3 = soup.findAll('img',attrs = {'id': match3})
text搜索
文字的搜索会导致其他搜索给的值如：tag,attrs都失效。方法与搜索tag一致
print p1.text # u'This is paragraphone.' print p2.text # u'This is paragraphtwo.' # 注意：1，每个tag的text包括了它以及它子孙的text。2，所有text已经被自动转为unicode，如果需要，可以自行转码encode(xxx)
recursive和limit属性
recursive=False表示只搜索直接儿子，否则搜索整个子树，默认为True。当使用findAll或者类似返回list的方法时，limit属性用于限制返回的数量，如findAll('p',limit=2)： 返回首先找到的两个tag。
实例
本文以博客的文档列表页面为例，利用python对页面中的文章名进行提取。
<ul class="listing"> <li class="listing-item"><span class="date">2014-12-03</span><a href="/post/linux_funtion_advance_feature" title="Linux函数高级特性" >Linux函数高级特性</a> </li> <li class="listing-item"><span class="date">2014-12-02</span><a href="/post/cgdb" title="cgdb的使用" >cgdb的使用</a> </li> ... </ul>
代码：
#!/usr/bin/env python # -*- coding: utf-8 -*- ' a http parse test programe ' __author__ = 'kuring lv' import requests import bs4 archives_url = "http://kuring.me/archive" def start_parse(url) : print "开始获取(%s)内容" % url response = requests.get(url) print "获取网页内容完毕" soup = bs4.BeautifulSoup(response.content.decode("utf-8")) #soup = bs4.BeautifulSoup(response.text); # 为了防止漏掉调用close方法，这里使用了with语句 # 写入到文件中的编码为utf-8 with open('archives.txt','w') as f : for archive in soup.select("li.listing-item a") : f.write(archive.get_text().encode('utf-8') + "\n") print archive.get_text().encode('utf-8') # 当命令行运行该模块时，__name__等于'__main__' # 其他模块导入该模块时，__name__等于'parse_html' if __name__ == '__main__' : start_parse(archives_url)
总结
以上是编程之家为你收集整理的Python使用BeautifulSoup库解析HTML基本使用教程全部内容，希望文章能够帮你解决Python使用BeautifulSoup库解析HTML基本使用教程所遇到的程序开发问题。
如果您也喜欢它,动动您的小指点个赞吧
602392714
清零编程群