关于BeautifulSoup的总结

Beautiful Soup 4.2.0 文档

BeautifulSoup是用来从HTML或XML中提取数据的Python库。

使用方法：
from bs4 import BeautifulSoup
soup = BeautifulSoup(html)

soup使用Unicode编码。

有四种类型：Tag，NavigableString，BeautifulSoup，Comment。
BeautifulSoup将文档转化为树形结构，每个节点都是上述四种类型的Python对象。

1.Tag

与XML和HTML中Tag对象相同。
soup = BeautifulSoup(<b class="boldest">Extremely bold</b>)
soup.b就是一个Tag对象。

获取所有属性键值对：
soup.b.attrs

tag的属性可添加、删除（del soup.b['class']）、修改，和字典方法相同。

如果一个属性key对应多个value，则返回一个value的list，如：
css_soup = BeautifulSoup('<p class="body strikeout"></p>')
css_soup.p['class']
输出： ["body", "strikeout"]

这种多个值的属性是需要在HTML中有定义的，如果并没有被定义为多值属性，则返回字符串：
id_soup = BeautifulSoup('<p id="my id"></p>')
id_soup.p['id']
输出 'my id'
如果转换的是XML文档，则不会存在多值属性，返回字符串。

可以使用list或字符串对属性赋值。

2. NavigableString

Tag中的字符串即为NavigableString对象。
tag.string
在BeautifulSoup之外使用该类型，推荐转换为Unicode：
unicode(Tag.string)

tag中包含的字符串不可编辑，只能替换：
tag.string.replace_with(new string)

tag能够包含其他tag或字符串，而NavigableString则不能包含其他对象。不支持 .content，.string，find() ，只支持部分遍历文档树和搜索文档树中的属性。

3. BeautifulSoup

表示的是一个文档的全部内容，大部分情况可当做Tag对象，支持遍历文档树和搜索文档树的大部分属性。
而在HTML或XML中并没有叫做BeautifulSoup的Tag，所以并没有name和attribute属性，但是有个特殊属性：
soup.name
输出 u'[document]'

4. Comment

Comment类型是NavigableString类型的子类，BeautifulSoup中也有同样道理的一些其他类型。

遍历文档树

BeautifulSoup对象作为一棵树，有多个节点。对于一个节点，相对于它所在的位置，有子节点、父节点、兄弟节点。

1. 子节点

一个Tag可包含多个Tag以及字符串，这些都是这个Tag的子节点。而NavigableString不会有子节点。

如果想要获得某个Tag，上述已提到方法：
soup.tag_name
通过点取属性，只能获得当前名字的第一个tag，若要获取所有，需要使用搜索文档树中的方法:
soup.find_all('tag_name')

tag的 .contents 属性可将所有子节点以列表的方式输出。
可通过tag的 .children 生成器，对所有子节点进行遍历。

.contents 和 .children 只对获取Tag的直接子节点， .descendants 可用于对Tag的所有子孙节点进行遍历。

如果tag只有一个NavigableString类型子节点，则可用 .string 获取。如果包含多个，使用 .strings 遍历。若输出的字符串中包含空格或空行，使用 .stripped_strings 去除。

2. 父节点

当前节点的父节点： .parent
当前节点的所有父辈节点： .parents

3. 兄弟节点

拥有同一父节点的节点之间。
.next_sibling
.previous_sibling
同理，所有兄弟节点：
.next_siblings
.previous_siblings

指向下一个或上一个解析对象：
.next_element
.previous_element
.next_elements
.previous_elements

搜索文档树

经常使用的两种方法：find(str)和find_all(str)。
其中的str，代表了tag的name。可以是纯字符串、正则表达式、列表（任一匹配就满足条件，是或运算）、True（返回所有Tag节点不返回字符串节点）。

另一种入参不是str，而是method。此方法是一个函数，只接受一个元素入参，若此函数返回True表示入参匹配要求。例如：
*def has_class_but_no_id(tag): *
return tag.has_attr('class') and not tag.has_attr('id')

综上，过滤器包括：纯字符串、正则表达式、列表、True、方法这几种。

1. find_all(name,attrs,recursive,text,**kwargs)

该方法搜索当前节点的所有tag子节点。

name参数：
指的是tag的name属性，字符串对象自动忽略。
过滤器可以使用全部种类。

keyword参数：
如果一个入参指定了名字，但是并不是上述提到的入参名字，搜索时会把该入参当做是tag的属性来搜索。例如：
soup.find_all(id='link2')
会返回tag中存在属性id，并且id对应的值是link2的tag。
以上方法可使用除方法之外的所有过滤器。

某些特殊属性不能这样直接使用，则使用如下方法：
soup.find_all(attrs={"key":"value"})

例如要使用class属性进行搜索，由于class是python中的保留字，不能直接写成入参，目前有两种方法：
soup.find_all('tag.name',class_='class_value')
soup.find_all('tag.name',attrs={'class':'class_value'})
class_方法可以使用全部过滤器。
另外，因为class是一个多值属性，所以只需要匹配一个值，就可以得到结果，所谓的不完全匹配。
使用完全匹配时，过滤器中的字符顺序需要和实际相符合才能得到对应结果。

text参数：
搜索的是Tag中的字符串内容，可使用全部过滤器。

limit参数：
限制返回数量。

recursive参数：
find_all()默认是搜索当前节点的所有子孙节点，若只需要搜索直接的子节点，则设置 recursive=False 。

find_all()是实际当中用的最广泛的。
因此有了等价的简化版：
soup.find_all('a')
soup('a')

2. find(name,attrs,recursive,text,**kwargs)

find()方法等价于find_all(limit=1)，返回符合条件的第一个对象。
区别在于，前者直接返回结果，后者返回只有一个元素的列表。若没有对象符合条件，前者返回None，后者返回空列表。

它也有简化版：
soup.find('head').find('title')
soup.head.title

除了find()和find_all()之外还有一些搜索的方法：
find_parent()
find_next_sibling()
find_previous_sibling()
上面三种可以在后面加's'表示所有。
find_next()
find_previous()
find_all_next()
find_all_previous()

3. CSS选择器

Tag或BeautifulSoup对象的.select()方法。

修改文档树

prettify() 将文档树格式化之后输出。
若不注重格式，则可使用python的 str() 或 unicode() 。

如果想得到tag中包含的文本内容，使用 get_text() ，可获取到当前节点的文本，以及子孙节点中的文本。返回的是Unicode。
可以指定参数设置分隔符如 get_text("|") 是以“|”作为分隔符。
get_text(strip=True) 可去除文本前后的空白。
或者用 .stripped_strings 进行遍历。

文档解析器

BeautifulSoup的第一个入参是文档，第二个入参是文档解析器，默认情况下的优先顺序是：lxml， html5lib，python标准库。其中只有lxml支持xml文档的解析。

soup使用Unicode编码。
BeautifulSoup进行了编码检测并自动转为Unicode。
BeautifulSoup对象的 .original_encoding 属性来获取自动识别编码的结果。
当然这样比较慢，有时候会出错。可以在创建BeautifulSoup对象时，指定入参from_encoding来告知文档的编码方式。

有时候转码时有些特殊字符替换成了特殊的Unicode，可通过BeautifulSoup对象的 .contains_repalcement_characters 属性来判断是否有此情况，为True即为有特殊替换。

输出编码统一为UTF8，若想要其他的编码，则和一般的python字符串相同，需要进行手动设置。

使用chartdet库可提高编码检测效率。