第14.8節 Python中使用BeautifulSoup加載HTML封包

一、 引言

BeautifulSoup是一個三方子產品bs4中提供的進行HTML解析的類，可以認為是一個HTML解析工具箱，對HTML封包中的标簽具有比較好的容錯識别功能。閱讀本節需要了解html相關的基礎知識，如果這方面知識不足請參考《​​第14.2節 HTML知識簡介​​》。

二、 BeautifulSoup安裝、導入和建立對象

安裝BeautifulSoup和lxml

BeautifulSoup是bs4子產品的類，lxml是一款html文本解析器，在作業系統指令行方式執行安裝bs4子產品和lxml解析器子產品的指令：

pip install bs4

pip install lxml

加載BeautifulSoup所在子產品

因為BeautifulSoup是bs4子產品提供的一個類，一般導入時使用：

from bs4 import BeautifulSoup

定義BeautifulSoup執行個體對象

BeautifulSoup類的構造方法提供6個參數并支援更多動态參數擴充，一般使用時構造BeautifulSoup類的執行個體時，傳入前2個參數，第一個參數是要解析的html文本字元串或使用open函數打開的html檔案，第二個參數是html解析器名字，參數值包括如”html.parser”,”lxml”,”html5lib”、“lxml-xml”。

BeautifulSoup支援Python标準庫中的HTML解析器html.parser,還支援一些第三方的解析器如lxml、lxml-xml、html5lib，如果我們不安裝第三方的解析器，則 Python 會使用 Python預設的标準庫内置解析器html.parser，官方推薦使用lxml 解析器,因為lxml 解析器更加強大，支援xml解析，速度更快。

案例：

1)對文本字元串進行解析

2)對檔案對象直接進行解析

傳回的執行個體對象soup可以通過print列印出html文本，為什麼一個類可以通過print列印出來？這個請參考《​​第8.14節 Python類中内置方法__str__詳解​​》

使用prettify檢視解析封包對應的格式化後的html封包