Beautiful Soup – 安装

由于BeautifulSoup不是一个标准的python库，我们需要先安装它。我们将安装BeautifulSoup 4库（也被称为BS4），它是最新的。

为了隔离我们的工作环境，以免干扰现有的设置，让我们首先创建一个虚拟环境。

创建一个虚拟环境（可选）

虚拟环境允许我们为一个特定的项目创建一个隔离的python工作副本，而不影响外部设置。

安装任何python包机的最好方法是使用pip，然而，如果pip还没有安装（你可以在你的命令或shell提示符中使用 “pip -version “来检查），你可以通过以下命令来安装

Linux环境

$sudo apt-get install python-pip

Windows环境

要在windows下安装pip，请执行以下步骤

从https://bootstrap.pypa.io/get-pip.py或从github上下载get-pip.py到你的电脑。
打开命令提示符，导航到包含get-pip.py文件的文件夹。
运行下面的命令 –

>python get-pip.py

就这样，pip现在已经安装在你的windows机器上了。

你可以通过运行下面的命令来验证你的pip是否安装了

>pip --version
pip 19.2.3 from c:\users\yadur\appdata\local\programs\python\python37\lib\site-packages\pip (python 3.7)

安装虚拟环境

在你的命令提示符下运行以下命令

>pip install virtualenv

运行后，你会看到下面的屏幕截图 —

Beautiful Soup - 安装

下面的命令将在你的当前目录下创建一个虚拟环境（”myEnv”）。

>virtualenv myEnv

屏幕截图

Beautiful Soup - 安装

要激活你的虚拟环境，请运行以下命令 –

>myEnv\Scripts\activate

Beautiful Soup - 安装

在上面的截图中，你可以看到我们有 “myEnv “作为前缀，这告诉我们，我们在虚拟环境 “myEnv “下。

要从虚拟环境中出来，请运行deactivate。

(myEnv) C:\Users\yadur>deactivate
C:\Users\yadur>

由于我们的虚拟环境已经准备好了，现在让我们来安装 beautifulsoup。

安装BeautifulSoup

由于BeautifulSoup不是一个标准库，我们需要安装它。我们将使用BeautifulSoup 4包（被称为bs4）。

Linux机器

要在Debian或Ubuntu linux上使用系统包管理器安装bs4，请运行下面的命令 —

$sudo apt-get install python-bs4 (for python 2.x)
$sudo apt-get install python3-bs4 (for python 3.x)

你可以使用easy_install或pip来安装bs4（如果你发现使用系统打包器安装有问题的话）。

$easy_install beautifulsoup4
$pip install beautifulsoup4

(如果你使用python3，你可能需要分别使用easy_install3或pip3)

Windows机器

在windows下安装beautifulsoup4是非常简单的，尤其是当你已经安装了pip。

>pip install beautifulsoup4

Beautiful Soup - 安装

所以现在beautifulsoup4已经安装在我们的机器上了。让我们来谈谈安装后遇到的一些问题。

安装后的问题

在windows机器上，你可能会遇到，错误的版本被安装的错误，主要是通过—

错误： ImportError “No module named HTMLParser” ，那么你必须在Python 3下运行Python 2版本的代码。
错误： ImportError “No module named html.parser” 错误，那么你必须在Python 2下运行Python 3版本的代码。

摆脱以上两种情况的最好方法是重新安装BeautifulSoup，完全删除现有的安装。

如果你在ROOT_TAG_NAME = u'[document]’这一行得到 SyntaxError “Invalid syntax” ，那么你需要将Python 2代码转换为Python 3，只需安装软件包 –

$ python3 setup.py install

或者通过在bs4目录下手动运行python的2到3转换脚本 –

$ 2to3-3.2 -w bs4

安装一个解析器

默认情况下，Beautiful Soup 支持包含在 Python 标准库中的 HTML 解析器，然而它也支持许多外部的第三方 python 解析器，如 lxml 解析器或 html5lib 解析器。

要安装 lxml 或 html5lib 解析器，请使用命令 —

Linux机器

$apt-get install python-lxml
$apt-get insall python-html5lib

Windows机器

$pip install lxml
$pip install html5lib

Beautiful Soup - 安装

一般来说，用户使用lxml是为了追求速度，如果你使用老版本的python 2（2.7.3版本之前）或python 3（3.2.2之前），建议使用lxml或html5lib解析器，因为python的内置HTML解析器在处理老版本方面不是很好。

运行Beautiful Soup

现在是时候在一个html页面中测试我们的Beautiful Soup包了（以网页为例 –https://www.tutorialspoint.com/index.htm ，你可以选择你想要的任何其他网页），并从其中提取一些信息。

在下面的代码中，我们试图从网页中提取标题-

from bs4 import BeautifulSoup
import requests
url = "https://www.tutorialspoint.com/index.htm"
req = requests.get(url)
soup = BeautifulSoup(req.text, "html.parser")
print(soup.title)

输出

<title>H2O, Colab, Theano, Flutter, KNime, Mean.js, Weka, Solidity, Org.Json, AWS QuickSight, JSON.Simple, Jackson Annotations, Passay, Boon, MuleSoft, Nagios, Matplotlib, Java NIO, PyTorch, SLF4J, Parallax Scrolling, Java Cryptography</title>

一个常见的任务是提取一个网页中的所有URLs。为此，我们只需要添加下面这行代码–

for link in soup.find_all('a'):
print(link.get('href'))

输出

https://www.tutorialspoint.com/index.htm
https://www.tutorialspoint.com/about/about_careers.htm
https://www.tutorialspoint.com/questions/index.php
https://www.tutorialspoint.com/online_dev_tools.htm
https://www.tutorialspoint.com/codingground.htm
https://www.tutorialspoint.com/current_affairs.htm
https://www.tutorialspoint.com/upsc_ias_exams.htm
https://www.tutorialspoint.com/tutor_connect/index.php
https://www.tutorialspoint.com/whiteboard.htm
https://www.tutorialspoint.com/netmeeting.php
https://www.tutorialspoint.com/index.htm
https://www.tutorialspoint.com/tutorialslibrary.htm
https://www.tutorialspoint.com/videotutorials/index.php
https://store.tutorialspoint.com
https://www.tutorialspoint.com/gate_exams_tutorials.htm
https://www.tutorialspoint.com/html_online_training/index.asp
https://www.tutorialspoint.com/css_online_training/index.asp
https://www.tutorialspoint.com/3d_animation_online_training/index.asp
https://www.tutorialspoint.com/swift_4_online_training/index.asp
https://www.tutorialspoint.com/blockchain_online_training/index.asp
https://www.tutorialspoint.com/reactjs_online_training/index.asp
https://www.tutorix.com
https://www.tutorialspoint.com/videotutorials/top-courses.php
https://www.tutorialspoint.com/the_full_stack_web_development/index.asp
….
….
https://www.tutorialspoint.com/online_dev_tools.htm
https://www.tutorialspoint.com/free_web_graphics.htm
https://www.tutorialspoint.com/online_file_conversion.htm
https://www.tutorialspoint.com/netmeeting.php
https://www.tutorialspoint.com/free_online_whiteboard.htm
http://www.tutorialspoint.com
https://www.facebook.com/tutorialspointindia
https://plus.google.com/u/0/+tutorialspoint
http://www.twitter.com/tutorialspoint
http://www.linkedin.com/company/tutorialspoint
https://www.youtube.com/channel/UCVLbzhxVTiTLiVKeGV7WEBg
https://www.tutorialspoint.com/index.htm
/about/about_privacy.htm#cookies
/about/faq.htm
/about/about_helping.htm
/about/contact_us.htm

同样，我们可以使用beautifulsoup4提取有用的信息。

现在让我们进一步了解上述例子中的 “Soup”。