PythonBeautifulSoup学习之HTML标签补全功能

Beautiful Soup是一个非常流行的Python模块。该模块可以解析网页，并提供定位内容的便捷接口。

使用下面两个命令安装：

pip install beautifulsoup4 或者 sudo apt-get install Python-bs4

如果想安装最新的版本，请直接下载安装包来手动安装，也是十分方便的方法。

在这里我安装的是 Beautiful Soup 4.5.1

下载完成之后把解压包放到site-package目录下，cd到解压包中，运行下面的命令即可完成安装：

sudo python setup.py install

然后需要安装lxml:

sudo apt-get install Python-lxml

使用Beautiful Soup的第一步是将已下载的HTML内容解析为soup文档。

由于大多数网页都不具备良好的HTML格式，因此Beautiful Soup需要对其实际格式进行确定。

例如，在下面这个简单网页的列表中，存在属性值两侧引号缺失和标签未闭合的问题。

markup ="

fdsf"

我们可以看到P标签未闭合。下面让我们看一下Beautiful Soup是如何处理的。

#!/usr/bin/env python
# -*- coding:utf-8 -*-
 from bs4 import BeautifulSoup
markup ="

It's wonderful"
tags = []
#soup = BeautifulSoup(markup,'html.parser')

#环境问题，可能报错，暂时还没搞懂html.parser和lxml的区别，后续跟进，如果报错，就用下一行的代码
soup = BeautifulSoup(markup,'lxml')
fixed_html = soup.prettify()
print fixed_html

结果如下：

我们可以看到不仅

标签补全完整，而且加入了和标签，进行格式化的输出。

下面我们就可以用findAll()方法查找我们想要的标签或者内容了。

我们先打印看一下findAll()得到的标签都是什么？

tags = []

tag = soup.findAll()
for sub in tag:
tags.append(sub.name)
print tags

执行结果如下：

我们得到了我们所需要的标签，然后我们在findAll()中加入想查找的标签。

例如：

sub = soup.findAll('p')

得到结果：

后续将会把该内容应用到爬虫中，对爬虫得到的网页进行解析。