Python3 爬虫（七） -- 配置BeautifulSoup4+lxml+html5lib

序

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。

Beautiful Soup支持Python标准库中的HTML解析器,还支持一些第三方的解析器,其中一个是 lxml 。

另一个可供选择的解析器是纯Python实现的 html5lib , html5lib的解析方式与浏览器相同。

Python3 爬虫（七） -- 配置BeautifulSoup4+lxml+html5lib

Windows平台 + Python3.5

安装BeautifulSoup4

方法一：打开cmd，运行pip install BeautifulSoup4

如上图所示，由于我已经安装过了。可以使用 --upgrade来升级为最新版本。

方法二：去官网BeautifulSoup4源码下载 -- 戳我吧！下载源码，编译运行。

至此，便安装完毕。

验证成功，编译一个.py文件，输入from bs4 import BeautifulSoup4，不会报错即代表安装成功。

安装html5lib

第二步，我们安装网页文件解析器htm5lib，只需直接运行pip install html5lib即可：

安装lxml

在Windows下，安装lxml费了一点劲儿，不能直接通过命令成功安装。我们需要去官方网站下载与平台完全一致的版本，手动安装。

首先，查看我们的平台依赖的工具版本：

然后，去官网下载对应的.whl文件。lxml 官方下载链接，请猛戳我~~~

Ctrl + F，输入lxml，找到下面这段：
Lxml, a binding for the libxml2 and libxslt libraries.
lxml‑3.4.4‑cp27‑none‑win32.whl
lxml‑3.4.4‑cp27‑none‑win_amd64.whl
lxml‑3.4.4‑cp33‑none‑win32.whl
lxml‑3.4.4‑cp33‑none‑win_amd64.whl
lxml‑3.4.4‑cp34‑none‑win32.whl
lxml‑3.4.4‑cp34‑none‑win_amd64.whl
lxml‑3.4.4‑cp35‑none‑win32.whl
lxml‑3.4.4‑cp35‑none‑win_amd64.whl
cp后面是Python的版本号，27表示2.7，根据你的Python版本选择下载。

最后进行安装，打开cmd，先运行pip install wheel安装wheel工具，做好准备工作。

接着运行pip install *.whl文件，我的对应版本为lxml-3.6.0-cp35-cp35m-win_amd64.whl即可成功安装lxml解析器。

至此，三个工具都安装完毕。

对于Linux平台下，安装就很简单了，直接利用三个命令即可完成：

pip install BeautifulSoup4 或 easy_install BeautifulSoup4
pip install html5lib
pip install lxml

使用BeautifulSoup

我们编辑一段html文档，利用BeautifulSoup库进行解析：

[python]view
plain copy

html = """ 

<html><head><title>The Dormouse's story</title></head> 

<body> 

<p class="title"><b>The Dormouse's story</b></p> 

<p class="story">Once upon a time there were three little sisters; and their names were 

<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>, 

<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and 

<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>; 

and they lived at the bottom of a well.</p> 

<p class="story">...</p> 

"""  

from bs4 import BeautifulSoup  

#添加一个解析器  

soup = BeautifulSoup(html,'html5lib')  

print(soup.title)  

print(soup.title.name)  

print(soup.title.text)  

print(soup.body)  

#从文档中找到所有<a>标签的内容  

for link in soup.find_all('a'):  

    print(link.get('href'))  

#从文档中找到所有文字内容  

print(soup.get_text())

注意：

在声明BeautifulSoup对象的时候要明确解析器 soup = BeautifulSoup(html,'html5lib')，否则写为 soup = BeautifulSoup(html) 会有警告。

运行上述代码：

我们发现，BeautifulSoup可以十分方便的提取Html的结构化数据。这就为我们解析网页文件内容，爬取目标元素提供了极大的帮助。

这只是一个小小的例子，BeautifulSoup库的功能十分强大，赶紧去官方文档学习吧~

BeautifulSoup4官方文档在这里~~~