一、強大的BeautifulSoup：BeautifulSoup是一個可以從html或xml文件中提取數據的Python庫。它能夠通過你喜歡的轉換器實現慣用的文檔導航、查找、修改文檔的方式。在Python開發中，主要用的是BeautifulSoup的查找提取功能，修改功能很少使用
1、安裝BeautifulSoup
pip3 install beautifulsoup4
2、安裝第三方html解析器lxml
pip3 install lxml
3、安裝純Python實現的html5lib解析器
pip3 install html5lib
1、導入bs4庫
from bs4 import BeautifulSoup #導入bs4庫
2、創建包含html代碼的字符串
html_str = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's stopy</b></p>
<p class="story">Once upon a time there were three little sisters;and their names where
<a href="http://example.com/elsie" class="sister" id="link1"><!--Elsie--></a>
"""
3、創建BeautifulSoup對象
（1）直接通過字符串方式創建
soup = BeautifulSoup(html_str,'lxml') #html.parser是解析器，也可是lxml
print(soup.prettify()) ------>輸出soup對象的內容
（2）通過已有的文件來創建
soup = BeautifulSoup(open('/home/index.html'),features='html.parser')#html.parser是解析器，也可是lxml
4、BeautifulSoup對象的種類：BeautifulSoup將復雜HTML文檔轉換成一個復雜的樹形結構，每個節點都是Python對象
（1）BeautifulSoup：表示的是一個文檔的全部內容。大部分時候，可以把它當作Tag對象，是一個特殊的Tag，因為BeautifulSoup對象並不是真正的HTML和XML，所以沒有name和attribute屬性
（2）Tag：與XML或HTML原生文檔中的Tag相同，通俗講就是標記
如：
抽取title：print（soup.title）
抽取a ： print（soup.a）
抽取p：print（soup.p）
Tag中有兩個重要的屬性：name和attributes。每個Tag都有自己的名字，通過.name來獲取
print（soup.title.name）
操作Tag屬性的方法和操作字典相同
如：<p class=’p1’>Hello World</p>
print（soup.p[‘class’]）
也可以直接“點”取屬性，如 .attrs 獲取Tag中所有屬性
print（soup.p.attrs）
（3）NavigableString：獲取標記內部的文字.string
BeautifulSoup用 NavigableString類來封裝Tag中的字符串，一個 NavigableString字符串與Python中的Unicode字符串相同，通過unicode（）方法可以直接將 NavigableString對象轉換成Unicode字符串
如：u_string = unicode(soup.p.string)
（4）Comment：對於一些特殊對象，如果不清楚這個標記.string的情況下，可能造成數據提取混亂。因此在提取字符串時，可以判斷下類型：
if type(soup.a.string) == bs4.element.Comment:
print(soup.a.string)
5、遍歷文檔
（1）子節點：
A、對於直接子節點可以通過 .contents 和 .children來訪問
.contents ---->將Tag子節點以列表的方式輸出
print（soup.head.contents）
.children ----->返回一個生成器，對Tag子節點進行循環
for child in soup.head.children:
print（child）
B、獲取子節點的內容
.string ---> 如果標記里沒有標記了，則返回內容；如果標記里只有一個唯一的標記，則返回最里面的內容；如果包含多個子節點，Tag無法確定.string方法應該返回哪個時，則返回None
.strings ---->主要應用於Tag中包含多個字符串的情況，可以進行循環遍歷
for str in soup.strings:
print（repr(str)）
.stripped_string ----->可以去掉字符串中包含的空格或空行
for str in soup.stripped_strings:
print(repr(str))
（2）父節點
A、通過.parent屬性來獲取某個元素的父節點，如：
print（soup.title.parent）
B、通過.parents屬性可以遞歸得到元素的所有父輩節點
for parent in soup.a.parents:
if parent is None:
print(parent)
else:
print(parent.name)
（3）兄弟節點
. next_sibling ----->獲取該節點的下一個兄弟節點
. previous_sibling ----->獲取該節點的上一個兄弟節點
（4）前后節點
. next_elements ----->獲得該節點前面的所有節點
. previous_elements ----->獲得該節點后面的所有節點
6、搜索文檔樹
（1）find_all(name,attrs,recursive,text,**kwargs)
A、name參數：查找名字為name的標記
print（soup.find_all(‘‘’’b)）
B、text參數：查找文檔中字符串的內容
C、 recursive參數：檢索當前Tag的所有子孫節點時，若只想找直接子節點， 該參數設置為False
7、CSS選擇器：使用soup.select()函數
（1）通過標記名查找
print（soup.select("title")）
（2）通過Tag的class屬性值查找
print（soup.select(".sister")）
（3）通過Tag的id屬性值查找
print（soup.select("#sister")）
（4）通過是否存在某個屬性查找
print（soup.select("a[href]")）
（5）通過屬性值查找
print（soup.select('a[href="http://exam.com"]')）