HTML解析之BeautifulSoup

　　BeautifulSoup是一個用於從HTML和XML文件中提取數據的Python庫。BeautifulSoup提供一些簡單的、函數用來處理導航、搜索、修改分析樹等功能。BeautifulSoup模塊中的查找提取功能很是強大，並且很是便捷，它一般能夠節省程序員數小時或數天的工做時間。

　　BeautifulSoup自動將輸入文檔轉換爲Unicode編碼，輸出文檔轉換爲UTF-8編碼。你不須要考慮編碼方式，除非文檔沒有指定一個編碼方式，這時，BeautifulSoup就不能自動識別編碼方式了。而後，你僅僅須要說明一下原始編碼方式就能夠了。

一、安裝，先裝bs4，再裝BeautifulSoup4

BeautifulSoup支持python標準庫中包含的HTML解析器，但它也支持許多第三方python解釋器，其中包含lxml解釋器。這個安裝就行。

　　另外一個解釋器是html5lib，它是一個解析HTML的python庫，按照web瀏覽器的方式解析HTML。這個安裝就行

 

解釋器的優缺點：

解釋器	用法	優勢	缺點
Python標準庫	BeautifulSoup(markup,'html.parser')	Python標準庫   執行速度適中	部分版本中文檔容錯能力差
lxml的HTML解釋器	BeautifulSoup(markup,'lxml')	速度快，文檔容錯能力強	須要安裝c語言庫
lxml的XML解釋器	BeautifulSoup(markup,'lxml-xml') BeautifulSoup(markup,'xml')	速度快 惟一支持xml的解析器	須要安裝c語言庫
html5lib	BeautifulSoup(markup,'html5lib')	最好的容錯性 以瀏覽器的方式解析文檔生成HTML5格式的文檔	速度慢 不依賴外部擴展

 

二、BeautifulSoup的使用

下面用BeautifulSoup進行HTML的解析工做，具體以下：

from bs4 import BeautifulSoup

#建立一個BeautifulSoup對象，獲取頁面正文
soup=BeautifulSoup(open('test.html'),features='lxml')
print(soup.prettify())  #打印格式化後的代碼