小洪

Beautiful Soup在前面关于利用它如何处理Python中文件编码的问题做过一些介绍。最近使用它来解析html文件，为之优雅，简洁的接口设计所折服。它的使用文档可以见这里。

从中可以看到Beautiful Soup会读入html文档的内容，然后解析成树的结构，基于树在其中做查找和删除和修改的工作。使用中，有几点需要注意:

1. Beautiful Soup中一些基本元素的概念。

• tag: html中的标签，可以根据“.”直接访问。如soup.html.head.titile  就可以访问到html中title中的内容。注意这访问到的是完整的title的内容<title>***</title>，而且是一个结构，如果需要赋值给一个串，需要使用str()或者unicode转化之。
• name， string，attr属性。对于一个标签，如：<a href=”http://www.hongzhixong.com”>my blog</a>，我们可以如下访问到其中的url和熟悉值:

  soup = BeautifuSoup('<a href="http://www.hongzhixong.com">my blog</a>')</li>
  print soup.a   # result: <a href="http://www.hongzhixong.com">my blog</a>
  
  print soup.a.name # result: a
  
  print soup.a.string # result: my blog
  
  print soup.a["href"] # result: http://www.hongzhixong.com
  

  name就是具体tag的名字，string是它的值， 通过字典的形式访问tag的属性值。看起来是不是很方便？

• contents：是这个树下面的所以子节点，可以通过contents[i]访问到。
• next， parent，next，previous，nextSibling，previousSibling等属性当作一个树来看，就很容易理解是怎么回事了

2. findAll和find非常强大。使用起来也非常之方便。具体可以见文档。

3 . 比较需要注意的编码问题：在实际的使用过程中，发现Beautiful Soup内部是一unicode的编码来统一处理的，所以像上面的soup.a.string返回的unicode编码的串，你可以使用type(soup.a.string) 会发现这一点。所以，在程序使用find或者split之类操作，且设计到中文时，需要使用unicode编码，如： soup.a.string.find(u”小洪”)。在字符串前面加u。Python中Unicode编程可以见这里。

4. 换行问题。Beautiful Soup会将换行作为一个子节点解析，所以建议将html文件的换行和空行做一个简单的过滤后再去解析。

嗯，大致就这么多，当然了，如果涉及到的信息查找不多，而且，效率要求很高，可以简单地使用string的find操作或者正则，因为Beautiful Soup的效率不是很高，需要仔细权衡。

最后，随便提一下Beautiful Soup的主页的标题中有一句话：we called him tortoise because he taught us。我google了一下，是《爱丽丝历险记》中某个章节的对话，Tortoise与taught us音相近。翻译起来是：叫它tortoise是因为它教我们。Tortoise本身是乌龟之意。对这本小说知之甚少，不知道有什么更深的意味。