在用Python写爬虫时，一个常见的操作是对抓下的HTML做分析处理，得到想要的内容。一般的方法为使用Python的re库中。用正則表達式来解析文本。只是这样的方法适用于全部的文本。而针对于特定格式的文本，如这里的HTML。BeautifulSoup更具有针对性，使用起来也更方便。
BeautifulSoup能够解析HTML。XML等文件，这里仅仅说明其解析HTML的功能。
BeautifulSoup（下面简称BS）的官方网站为：
BS把HTML看做一个树形，以标签和文本为基本类型，一个标签包括其它标签。被解析为一个标签是还有一个标签的子树。那么。终于整个HTML文档被解析为一棵树的形式。
BS包含四种基本类型：
Soup（树），Tag（标签节点），String（字符节点），Comment（凝视节点）。
例如以下图：
这四种类型的节点构成树，Soup代表这颗树。String为叶子节点，tag为标签子节点，为其标签包括的全部内容。
建树
import bs4#导入BeautifulSoup库
Soup = BeautifulSoup(html)#当中html 能够是字符串。也能够是句柄
须要注意的是，BeautifulSoup会自己主动检測传入文件的编码格式，然后转化为Unicode格式
通过如上两句话。BS自己主动把文档生成为如上图中的解析树。
节点属性
能够通过Tag.attrs訪问，返回字典结构的属性。
或者Tag.name这样訪问特定属性值，假设是多值属性则以列表形式返回。
遍历
子节点：
Tag.Tag_child1：直接通过下标名称訪问子节点。
Tag.contents：以列表形式返回全部子节点。
Tag.children：生成器，可用于循环訪问：for child in Tag.children
String 子节点：
Tag.String：Tag仅仅有一个String子节点是，能够这么訪问，否则返回None
Tag.Strings：生成器。可用于循环訪问：for str in Tag.Strings
子孙节点：
Tag.descendants：生成器，可用于循环訪问：for des inTag.descendants
父节点：
Tag.parent：父节点
Tag.parents：父到根的全部节点
兄弟节点：
Tag.next_sibling
Tag.next_siblings
Tag.previous_sibling
Tag.previous_siblings
查找
最经常使用的是find_all()函数
方法搜索当前tag的全部tag子节点,并推断是否符合过滤器的条件。
find_all( name , attrs , recursive , text ,**kwargs )
第一个參数为Tag的名称
#第一个參数为Tag的名称，如：tag.find_all(‘title’)#得到”&%^&* ”,结果为一个列表
第二个參数为匹配的属性
tag.find_all(“title”,class=”sister”)#得到如”第二个參数也能够为字符串，得到字符串匹配的结果%^*&
tag.find_all(“title”,”sister”)#得到如”%^*&
完整具体的中文文档见：