最近一直在用BeautifulSoup，但是语法很容易忘记。在这里做个学习总结吧。
参考：
Beautiful Soup 4.2.0 文档
BeautifulSoup是用来从HTML或XML中提取数据的Python库。
使用方法： from bs4 import BeautifulSoup soup = BeautifulSoup(html)
soup使用Unicode编码。
有四种类型：Tag，NavigableString，BeautifulSoup，Comment。 BeautifulSoup将文档转化为树形结构，每个节点都是上述四种类型的Python对象。
与XML和HTML中Tag对象相同。 如： soup = BeautifulSoup(Extremely bold) soup.b就是一个Tag对象。
Name tag.name 可获取，可更改
Attribute 一个Tag对象可以有多个属性，操作方法和字典相同，如上述Tag对象b就有一个class属性： soup.b[‘class’] 或者使用get方法soup.b.get(‘class’)
获取所有属性键值对： soup.b.attrs
tag的属性可添加、删除（del soup.b[‘class’]）、修改，和字典方法相同。
如果一个属性key对应多个value，则返回一个value的list，如： css_soup = BeautifulSoup(‘
‘) css_soup.p[‘class’] 输出：[“body”, “strikeout”]这种多个值的属性是需要在HTML中有定义的，如果并没有被定义为多值属性，则返回字符串： id_soup = BeautifulSoup(”) id_soup.p[‘id’] 输出’my id’ 如果转换的是XML文档，则不会存在多值属性，返回字符串。
可以使用list或字符串对属性赋值。
Tag中的字符串即为NavigableString对象。 tag.string 在BeautifulSoup之外使用该类型，推荐转换为Unicode： unicode(Tag.string)
tag中包含的字符串不可编辑，只能替换： tag.string.replace_with(new string)
tag能够包含其他tag或字符串，而NavigableString则不能包含其他对象。不支持.content，.string，find()，只支持部分遍历文档树和搜索文档树中的属性。
表示的是一个文档的全部内容，大部分情况可当做Tag对象，支持遍历文档树和搜索文档树的大部分属性。 而在HTML或XML中并没有叫做BeautifulSoup的Tag，所以并没有name和attribute属性，但是有个特殊属性： soup.name 输出u’[document]’
Comment类型是NavigableString类型的子类，BeautifulSoup中也有同样道理的一些其他类型。
BeautifulSoup对象作为一棵树，有多个节点。对于一个节点，相对于它所在的位置，有子节点、父节点、兄弟节点。
一个Tag可包含多个Tag以及字符串，这些都是这个Tag的子节点。而NavigableString不会有子节点。
如果想要获得某个Tag，上述已提到方法： soup.tag_name 通过点取属性，只能获得当前名字的第一个tag，若要获取所有，需要使用搜索文档树中的方法: soup.find_all(‘tag_name’)
tag的.contents属性可将所有子节点以列表的方式输出。 可通过tag的.children生成器，对所有子节点进行遍历。
.contents和.children只对获取Tag的直接子节点，.descendants可用于对Tag的所有子孙节点进行遍历。
如果tag只有一个NavigableString类型子节点，则可用.string获取。如果包含多个，使用.strings遍历。若输出的字符串中包含空格或空行，使用.stripped_strings去除。
当前节点的父节点：.parent 当前节点的所有父辈节点：.parents
拥有同一父节点的节点之间。 .next_sibling .previous_sibling 同理，所有兄弟节点： .next_siblings .previous_siblings
指向下一个或上一个解析对象： .next_element .previous_element .next_elements .previous_elements
经常使用的两种方法：find(str)和find_all(str)。 其中的str，代表了tag的name。可以是纯字符串、正则表达式、列表（任一匹配就满足条件，是或运算）、True（返回所有Tag节点不返回字符串节点）。
另一种入参不是str，而是method。此方法是一个函数，只接受一个元素入参，若此函数返回True表示入参匹配要求。例如： def has_class_but_no_id(tag): return tag.has_attr(‘class’) and not tag.has_attr(‘id’)
综上，过滤器包括：纯字符串、正则表达式、列表、True、方法这几种。
该方法搜索当前节点的所有tag子节点。
name参数： 指的是tag的name属性，字符串对象自动忽略。 过滤器可以使用全部种类。
keyword参数： 如果一个入参指定了名字，但是并不是上述提到的入参名字，搜索时会把该入参当做是tag的属性来搜索。例如： soup.find_all(id=’link2’) 会返回tag中存在属性id，并且id对应的值是link2的tag。 以上方法可使用除方法之外的所有过滤器。
某些特殊属性不能这样直接使用，则使用如下方法： soup.find_all(attrs={“key”:”value”})
例如要使用class属性进行搜索，由于class是python中的保留字，不能直接写成入参，目前有两种方法： soup.find_all(‘tag.name’,class_=’class_value’) soup.find_all(‘tag.name’,attrs={‘class’:’class_value’}) class_方法可以使用全部过滤器。 另外，因为class是一个多值属性，所以只需要匹配一个值，就可以得到结果，所谓的不完全匹配。 使用完全匹配时，过滤器中的字符顺序需要和实际相符合才能得到对应结果。
text参数： 搜索的是Tag中的字符串内容，可使用全部过滤器。
limit参数： 限制返回数量。
recursive参数： find_all()默认是搜索当前节点的所有子孙节点，若只需要搜索直接的子节点，则设置recursive=False。
find_all()是实际当中用的最广泛的。 因此有了等价的简化版： soup.find_all(‘a’) soup(‘a’)
find()方法等价于find_all(limit=1)，返回符合条件的第一个对象。 区别在于，前者直接返回结果，后者返回只有一个元素的列表。若没有对象符合条件，前者返回None，后者返回空列表。
它也有简化版： soup.find(‘head’).find(‘title’) soup.head.title
除了find()和find_all()之外还有一些搜索的方法： find_parent() find_next_sibling() find_previous_sibling() 上面三种可以在后面加’s’表示所有。 find_next() find_previous() find_all_next() find_all_previous()
Tag或BeautifulSoup对象的.select()方法。
暂略
prettify()将文档树格式化之后输出。 若不注重格式，则可使用python的str()或unicode()。
如果想得到tag中包含的文本内容，使用get_text()，可获取到当前节点的文本，以及子孙节点中的文本。返回的是Unicode。 可以指定参数设置分隔符如get_text(“|”)是以“|”作为分隔符。 get_text(strip=True)可去除文本前后的空白。 或者用.stripped_strings进行遍历。
BeautifulSoup的第一个入参是文档，第二个入参是文档解析器，默认情况下的优先顺序是：lxml， html5lib，python标准库。其中只有lxml支持xml文档的解析。
soup使用Unicode编码。 BeautifulSoup进行了编码检测并自动转为Unicode。 BeautifulSoup对象的.original_encoding属性来获取自动识别编码的结果。 当然这样比较慢，有时候会出错。可以在创建BeautifulSoup对象时，指定入参from_encoding来告知文档的编码方式。
有时候转码时有些特殊字符替换成了特殊的Unicode，可通过BeautifulSoup对象的.contains_repalcement_characters属性来判断是否有此情况，为True即为有特殊替换。
输出编码统一为UTF8，若想要其他的编码，则和一般的python字符串相同，需要进行手动设置。
使用chartdet库可提高编码检测效率。
