python中bs4的四大对象种类
Beautiful Soup将复杂的HTML文档转换成一个复杂的树形结构，每个节点都是Python对象，所有对象可以归纳为4种：
- 标签
- NavigableString
- BeautifulSoup
- 评论
1.标签
Tag通俗点讲就是HTML中的一个个标签，例如：
The Dormouse's story
The Dormouse's story
上面的等等title head a pHTML标签加上里面包括的内容就是Tag，那么试着使用Beautiful Soup来获取标签：
from bs4 import BeautifulSoup
html = """
The Dormouse's story
The Dormouse's story
Once upon a time there were three little sisters; and their names were
,
Lacie and
Tillie;
and they lived at the bottom of a well.
...
"""
#创建 Beautiful Soup 对象
soup = BeautifulSoup(html)
print soup.title
# The Dormouse's story
print soup.head
# The Dormouse's story
print soup.a
#
print soup.p
# The Dormouse's story
print type(soup.p)
#
我们可以利用汤加标签名轻松地获取这些标签的内容，但这些对象的类型是bs4.element.Tag。但是注意，它查找的是在所有内容中的第一个符合要求的标签。如果要查询所有的标签，后面会进行介绍。
对于Tag，它有两个重要的属性，是名和attrs
print soup.name
# [document] #soup 对象本身比较特殊，它的 name 即为 [document]
print soup.head.name
# head #对于其他内部标签，输出的值便为标签本身的名称
print soup.p.attrs
# {'class': ['title'], 'name': 'dromouse'}
# 在这里，我们把 p 标签的所有属性打印输出了出来，得到的类型是一个字典。
print soup.p['class'] # soup.p.get('class')
# ['title'] #还可以利用get方法，传入属性的名称，二者是等价的
soup.p['class'] = "newClass"
print soup.p # 可以对这些属性和内容等等进行修改
# The Dormouse's story
del soup.p['class'] # 还可以对这个属性进行删除
print soup.p
# The Dormouse's story
2. NavigableString
既然我们已经得到了标签的内容，那么问题来了，我们要想获取标签内部的文字怎么办呢？很简单，用.string即可，例如
print soup.p.string
# The Dormouse's story
print type(soup.p.string)
# In [13]:
3. BeautifulSoup
BeautifulSoup对象表示的是一个文档的内容。大部分时候，可以把它当作Tag对象，是一个特殊的Tag，我们可以分别获取它的类型，名称，以及属性来感受一下
print type(soup.name)
#
print soup.name
# [document]
print soup.attrs # 文档本身的属性为空
# {}
4.评论
注释对象是一个特殊类型的NavigableString对象，其输出的内容不包括注释符号。
print soup.a
#
print soup.a.string
# Elsie
print type(soup.a.string)
#
a标签里的内容实际上是注释，但是如果我们利用.string来输出它的内容时，注释符号已经去掉了。
五.遍历文档树
1.直接子节点：.contents .children 属性
。内容
tag的.content属性可以将标签的子节点以列表的方式输出
print soup.head.contents
#[The Dormouse's story ]
输出方式为列表，我们可以用列表索引来获取它的某一个元素
print soup.head.contents[0]
#The Dormouse's story
。孩子
它返回的不是一个列表，不过我们可以通过遍历获取所有子节点。
我们打印输出.children看一下，可以发现它是一个list生成器对象
print soup.head.children
#
for child in soup.body.children:
print child
结果：
The Dormouse's story
Once upon a time there were three little sisters; and their names were
,
Lacie and
Tillie;
and they lived at the bottom of a well.
...
2.所有子孙节点：.descendants 属性
.contents和.children属性仅包含标签的直接子节点，.descendants属性可以对所有标签的子孙节点进行递归循环，和儿童类似，我们也需要遍历获取其中的内容。
for child in soup.descendants:
print child
运行结果：
The Dormouse's story
The Dormouse's story
Once upon a time there were three little sisters; and their names were
,
Lacie and
Tillie;
and they lived at the bottom of a well.
...
The Dormouse's story
The Dormouse's story
The Dormouse's story
The Dormouse's story
Once upon a time there were three little sisters; and their names were
,
Lacie and
Tillie;
and they lived at the bottom of a well.
...
The Dormouse's story
The Dormouse's story
The Dormouse's story
Once upon a time there were three little sisters; and their names were
,
Lacie and
Tillie;
and they lived at the bottom of a well.
Once upon a time there were three little sisters; and their names were
Elsie
,
Lacie
Lacie
and
Tillie
Tillie
;
and they lived at the bottom of a well.
...
3.节点内容：.string属性
如果一个标签里面没有标签了，那么.string就会返回标签里面的内容。如果标签里面只有唯一的一个标签了，那么.string也会返回最里面的内容。
print soup.head.string
#The Dormouse's story
print soup.title.string
#The Dormouse's story
六.搜索文档树1.find_all(name, attrs, recursive, text, **kwargs)
1）名称参数
name参数可以查找所有名字为name的标签，字符串对象会被自动忽略掉
A.传字符串
最简单的过滤器是字符串。在搜索方法中传入一个字符串参数，Beautiful Soup会查找与字符串完整匹配的内容，下面的例子用于查找文档中所有的标签：
soup.find_all('b')
# [The Dormouse's story]
print soup.find_all('a')
#[, Lacie, Tillie]
B.传正则表达式
如果传入正则表达式作为参数，Beautiful Soup会通过正则表达式的match（）来匹配内容。下面例子中找出所有以b开头的标签，这表示和标签都应该找到
import re
for tag in soup.find_all(re.compile("^b")):
print(tag.name)
# body
# b
C.传列表
如果传入列表参数，Beautiful Soup会将与列表中任一元素匹配的内容返回。下面代码找到文档中所有标签和标签：
soup.find_all(["a", "b"])
# [The Dormouse's story,
# Elsie,
# Lacie,
# Tillie]
2）关键字参数
soup.find_all(class_ = "sister")
#[, Lacie, Tillie]
soup.find_all(id='link2')
# [Lacie]
3）文字参数
通过文本参数可以搜索文档中的字符串内容，与名称参数的可选值一样，text参数接受字符串，正则表达式，列表
soup.find_all(text="Elsie")
# [u'Elsie']
soup.find_all(text=["Tillie", "Elsie", "Lacie"])
# [u'Elsie', u'Lacie', u'Tillie']
soup.find_all(text=re.compile("Dormouse"))
[u"The Dormouse's story", u"The Dormouse's story"]
2.find()方法
find()的用法与find_all一样，在于区别
find用于查找第一个符合匹配查询查询结果，find_all则用于查找所有匹配查询查询结果的列表。
3. CSS选择器(在爬虫中这是最常用的方式)
-
写CSS时，标签名不加任何修饰，类名前加英文句号 .，id名前加
# -
在这里我们也可以利用类似的方法来筛选元素，用到的方法是
soup.select()，返回类型是list
（1）通过标签名查找
from bs4 import BeautifulSoup
html = """
The Dormouse's story
The Dormouse's story
Once upon a time there were three little sisters; and their names were
,
Lacie and
Tillie;
and they lived at the bottom of a well.
...
"""
#创建 Beautiful Soup 对象
soup = BeautifulSoup(html)
print soup.select('title')
#[The Dormouse's story ]
print soup.select('a') # 取到了所有的a标签
#[, Lacie, Tillie]
print soup.select('b')
#[The Dormouse's story]
（2）通过类名查找
print soup.select('.sister')
#[, Lacie, Tillie]（3）通过id名查找
print soup.select('#link1')
#[]（4）组合查找
组合查找即和写类文件时，标签名与类名，id名进行的组合原理是一样的，例如查找p标签中，id等于link1的内容，二者需要用空格分开
print soup.select('p #link1')
#[]直接子标签查找，使用则 > 分隔
print soup.select("head > title")
#[The Dormouse's story ]（5）属性查找
查找时还可以加入属性元素，属性需要用中括号括起来，注意属性和标签属于同一节点，所以中间不能加空格，否则会无法匹配到。
print soup.select('a[class="sister"]')
#[, Lacie, Tillie]
print soup.select('a[href="http://example.com/elsie"]')
#[]
同样，属性仍然可以与上述查找方式组合，不在同一节点的空格隔开，同一节点的不加空格
print soup.select('p a[href="http://example.com/elsie"]')
#[]（6）获取内容
soup = BeautifulSoup(html, 'lxml')
print type(soup.select('title'))
print soup.select('title')[0].get_text()
for title in soup.select('title'):
print title.get_text()