什么是Beautiful Soup？

截止到目前，BeautifulSoup（3.2.1版本）已經(jīng)停止開發(fā)，官網(wǎng)推薦現(xiàn)在的項(xiàng)目使用beautifulsoup4（BeautifulSoup 4版本，簡(jiǎn)稱為bs4）開發(fā)。

bs4是一個(gè)HTML/XML的解析器，主要的功能是解析和提取HTML/XML數(shù)據(jù)。它不僅支持CSS選擇器，而且支持Python標(biāo)準(zhǔn)庫(kù)中的HTML解析器，以及l(fā)xml的XML解析器，通過(guò)使用這些轉(zhuǎn)化器，實(shí)現(xiàn)了慣用的文檔導(dǎo)航和查找方式，節(jié)省了大量的工作時(shí)間，提高了開發(fā)項(xiàng)目的效率。

bs4庫(kù)會(huì)將復(fù)雜的HTML文檔換成樹結(jié)構(gòu)（HTML DOM），這個(gè)結(jié)構(gòu)中的每個(gè)節(jié)點(diǎn)都是一個(gè)Python對(duì)象，這些對(duì)象可以歸納為如下四種：

bs4.element.Tag類：表示HTML中的標(biāo)簽，最基本的信息組織單元。它有兩個(gè)非常重要的屬性，分別為表示標(biāo)簽名字的name屬性，表示標(biāo)簽屬性的attrs屬性。

bs4.element.NavigableString類：表示HTML中標(biāo)簽的文本（非屬性字符串）。

bs4.BeautifulSoup類：表示HTML DOM中的全部?jī)?nèi)容，支持遍歷文檔樹和搜索文檔樹的大部分方法。

bs4.element.Comment類：表示標(biāo)簽內(nèi)字符串的注釋部分，是一種特殊的NavigableString對(duì)象。

使用bs4的一般流程如下：

第1步：創(chuàng)建一個(gè)BeautifulSoup類型的對(duì)象

根據(jù)HTML或者文件創(chuàng)建BeautifulSoup對(duì)象。

第2步：通過(guò)上述對(duì)象的操作方法進(jìn)行解讀搜索

根據(jù)DOM樹進(jìn)行各種節(jié)點(diǎn)的搜索（比如，find_all方法可以搜索出所有滿足要求的節(jié)點(diǎn)，find方法只會(huì)搜索出第一個(gè)滿足要求的節(jié)點(diǎn)），只要獲得了一個(gè)節(jié)點(diǎn)，就可以訪問(wèn)節(jié)點(diǎn)的名稱、屬性和文本。

第3步：利用DOM樹結(jié)構(gòu)標(biāo)簽的特性，進(jìn)行更為詳細(xì)的節(jié)點(diǎn)信息提取

在搜索節(jié)點(diǎn)的時(shí)候，我們也可以按照節(jié)點(diǎn)的名稱、節(jié)點(diǎn)的屬性或者節(jié)點(diǎn)的文字進(jìn)行搜索。

上述流程如圖1所示。

圖1 bs4庫(kù)的使用流程

大數(shù)據(jù)基本的業(yè)務(wù)分析應(yīng)該包括哪些流程？怎樣收集數(shù)據(jù)?

為什么要做數(shù)據(jù)分析?數(shù)據(jù)分析有什么意義?

YARN體系結(jié)構(gòu)工作流程介紹【大數(shù)據(jù)文章】

傳智教育Python+大數(shù)據(jù)開發(fā)