上篇文章中，Python爬虫之requests库网络爬取简单实战 我们学习了如何利用requets库快速获取页面的源代码信息。我们在具体的爬虫实践的时候，第一步就是获取到页面的源代码，但是仅仅是获取源代码是不够的，我们还需要从页面的源代码中提取出我们所需要的那一部分的信息。所以，爬虫的难点就在于对源代码的信息的提取与处理。 Beautiful Soup 是一个可以从HTML或XML文件中提取数据的Python库.它能够通过你喜欢的转换器实现惯用的文档导航,查找,修改文档的方式.Beautiful Soup会帮你节省数小时甚至数天的工作时间.
具体的BeautifulSoup的安装与介绍比较简单，我们可以参考https://www.crummy.com/software/BeautifulSoup/bs4/doc.zh/#id17
Beautiful Soup库的理解
简单的说，BeautifulSoup库可以将一个html文档转换成一个BeautifulSoup类，然后我们就可以使用BeautifulSoup的各种方法提取出我们所需要的元素
Beautiful Soup库是解析、遍历、维护“标签树”的功能库
要理解与使用BeautifulSoup库我们就需要对html文档有了解
Beautiful Soup库的引用
Beautiful Soup库，也叫beautifulsoup4 或 bs4 约定引用方式如下，即主要是用BeautifulSoup类
from bs4 import BeautifulSoup
import bs4
BeautifulSoup对应一个HTML/XML文档的全部内容
Beautiful Soup库解析器
soup = BeautifulSoup('<html>data</html>'，'html.parser')
BeautifulSoup类的基本元素
BeautifulSoup解析实例
我们先用requests库获取一个简单的页面 http://python123.io/ws/demo.html
import requests
r = requests.get("http://python123.io/ws/demo.html")
demo = r.text
print(demo)
>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup(demo, 'html.parser')
>>> soup.prettify()
我们可以利用BeautifulSoup库对页面进行解析和提取
Tag 标签
>>> soup.title
<title>This is a python demo page</title>
>>> tag = soup.a
>>> tag
<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">Basic Python</a>
任何存在于HTML语法中的标签都可以用soup.访问获得 当HTML文档中存在多个相同对应内容时，soup.返回第一个
Tag的name（名字）
>>> soup.a.name
'a'
>>> soup.a.parent.name
'p'
>>>
每个都有自己的名字，通过.name获取，字符串类型
Tag的attrs（属性）
Tag的NavigableString
Tag的Comment
基于bs4库的HTML内容遍历方法
标签树的下行遍历
BeautifulSoup类型是标签树的根节点
标签树的下行遍历
标签树的上行遍历
标签树的平行遍历
小结
