前面的内容，我们了解了使用urllib3和selenium来下载网页，但下载下来的是整个网页的内容，那我们又怎么从下载下来的网页中提取我们自己感兴趣的内容呢？这里就需要Python的另一个库来实现-BeautifulSoup。
BeautifulSoup 是一个 Python 库，用于分析 HTML。它和它的名字一样，用起来非常“香”。今天我们通过使用 BeautifulSoup 去从上一篇文章案例中下载到的 html 文件：jiandan.html 中提取所有新闻的标题。
打开 VS Code，并创建ipynb文件，将之前下载的jandan.html文件复制到源文件共同的文件夹内。
接下来我们将在这个 notebook 中对 jiandan.html 进行内容提取。
1、安装BeautifulSoup
这里安装的步骤和之前安装selenium的步骤一样。 我们去开始菜单 → Anaconda ，选择 Anaconda Prompt，出现命令行界面。在命令行界面，输入如下安装命令：(BeautifulSoup 的 Python 包名为 bs4, 简写)
conda install bs4
回车执行，之后在询问会否确认时输入 y 回车，等待安装完毕，关闭即可。
(1)读取html文件到Python
数据提取的第一步，我们首先需要将 html 文件加载到 Python 的变量中。在上一篇文章中，我们了解了通过文件对象来把 Python 变量写进文件里，这里我们来尝试用类似的代码来将文件中的内容读出来。
代码如下，可以看到和写入文件的代码非常类似。
# 打开 jiandan.html，第二个参数 r，代表 read
# open 函数返回一个文件对象，保存在变量 fo 中
fo = open("jiandan.html","r",encoding="utf-8")
# 调用文件对象的 read 函数，该函数将文件的内容读取到 Python 中
# read 函数的返回值就会文件内容，我们保存在 html_content 中
html_content = fo.read()
# 关闭文件对象
fo.close()
# 打印 html_content 变量，看内容是否被正确加载
print(html_content)
执行之后，输出结果如下所示（打印的 html 文本太长，这里仅截图示意）。
（2）创建BeautifulSoup对象
现在，我们已经将文件的内容读了出来，但是目前还是以一个超大的字符串的形式存储在变量中。想要对其进行有效的分析，第一步我们先要构造一个 BeautifulSoup 的对象。代码如下：
# 从 bs4 模块中导入 BeautifulSoup 类
from bs4 import BeautifulSoup
# 创建一个 BeautifulSoup 的对象，并将刚才我们存储网页内容的变量作为参数
doc = BeautifulSoup(html_content)
# 打印 doc 对象的 title 属性。
print(doc.title)
执行上述代码之后，BeautifulSoup 对象就被创建并存在变量 doc 中，为了测试是否创建成功，我们打印了 doc 对象的 title 属性，输出如下。
<title>
煎蛋 - 地球上没有新鲜事
</title>
（3）BeautifulSoup 对象的基本使用
刚刚我们打印了 doc 对象的 title 属性，来测试对象是否创建成功。从打印的内容来看，想必你已经猜到了，doc 对象的 title 属性，就对应了网页的 title 标签。但是刚才我们打印的内容中，title 标签也被打印出来了。
那是否可以只取标签里面的内容呢？
①get_text方法
在 BeautifulSoup 中，我们可以通过标签对象的 get_text 方法来获得标签中的内容。
# 将 title 属性保存在 title_label 的变量中
title_label = doc.title
# 调用 get_text 方法，并把返回值打印出来
print(title_label.get_text())
输出如下：
煎蛋 - 地球上没有新鲜事
可以看到，这次我们成功将标签内的文字提取了出来。
②find_all方法
BeautifulSoup 对象另一个常用方法是 find_all， 用来在 html 文档中查到特定标签名以及特定属性值的标签，下面来举例说明。
比如，在网页上有这么个结构
目前我们的 doc 对象已经包含了这些内容。现在我们来尝试提取 class 等于 logo 的这个 div 标签，代码如下。
# find_all 是 BeautifulSoup 对象的常用方法，用于查找特定的标签
# 接受三个参数，第一个是要查找的标签名，第二个则是要匹配的属性名
# 比如这里，我们查找的是 class=logo 标签，则直接按如下写法即可。
# 因为 class 是 Python 的关键字，所以这里需要使用 class_ 以示区分
# 最终，find_all 函数返回所有满足条件的标签列表
logo_label = doc.find_all("div", class_="logo")
print(logo_label)
输出结果为：
[<div >
<a rel="nofollow" href="/" onclick="ga('send', 'pageview','/header/logo');">煎蛋</a>
</div>]
可以看到，我们截图中的内容，箭头所指的 div 标签被成功的过滤了出来。
③获取标签对象的属性
通过标签对象的 attrs 属性，我们可以获取标签对象的属性的值，attrs 是一个字典，获取属性的值的方法如下：
# 取 logo_label 列表的第一个标签对象
label = logo_label[0]
# 打印这个对象的 class 属性
print(label.attrs["class"])
输出：
['logo']
2、过滤出网页的新闻列表
现在，我们来使用之前的 doc 对象来过滤出新闻的标题列表。
（1）观察html，提取初步的新闻标签列表
在使用 BeautifulSoup 进行内容过滤的第一步，首先要查看我们想要的内容所在的标签。我们在 VS Code 中打开 jiandan.html，搜索“普通感冒”到达新闻标题内容区域，如下图所示。
通过观察截图中的标签内容，很容易发现似乎每个新闻标题，都有一个对应的 div 标签，并且它的 class 是 indexs。沿着这个思路，我们可以先考虑使用 find_all 将其过滤出来。通过如下代码。
# 查找 class 为 indexs 的所有 div 标签，存储在 index_labels 中
index_labels = doc.find_all("div", class_="indexs")
# 打印符合条件的 div 标签的数量
print(len(index_labels))
输出：
24
说明找到了 24 个符合条件的 div 标签。一个网页的新闻也是 20 多条，说明有希望。
（2）提取单个标签的新闻标题
因为 index_labels 是一个标签对象的列表，距离我们要过滤的新闻标题还有距离。下一步，我们就来分析如何从这些标签对象中抽取新闻标题。 首先，我们先取第一个来看一下。
first_object = index_labels[0]
print(first_object)
输出如下：
<div >
<span title="1小时 ago">8</span>
<h2><a rel="nofollow" href="http:///p/108693" target="_blank">引发普通感冒的鼻病毒会将新冠病毒排挤出细胞！</a></h2>
<div ><a rel="nofollow" href="http:///p/author/majer">majer</a> · <strong><a href="http:///p/tag/%e6%96%b0%e5%86%a0%e7%97%85%e6%af%92" rel="tag">新冠病毒</a></strong></div>
换而言之，如果你感冒了，在那段期间就不会被新冠病毒感染 </div>
现在我们的问题就转化为，如何从上述 html 中抽取出新闻的标题。
通过查看上述内容可以发现，我们的标题在第三行，在一个 a 标签内部。那是不是我们只需要过滤出这个 a 标签，再使用 get_text 拿到里面的内容就好了？
那要怎么过滤出第三行的 a 标签呢？可以看到这个 a 标签里有 target="_blank" 这样一个属性，我们就可以使用 find_all 将其过滤出来了。
# 从刚才的 first_object 标签对象中过滤出所有 target=_blank 的 a 标签
a_labels = first_object.find_all("a",target="_blank")
# 取第一个标签对象
my_label = a_labels[0]
# 打印该标签对象内的文字内容
print(my_label.get_text())
输出如下：
引发普通感冒的鼻病毒会将新冠病毒排挤出细胞！
你看，新闻的标题被成功抽取了出来！
（3）提取新闻标题的列表
目前，我们已经实现了从第一个标签对象中提取新闻标题，但我们的列表中有 24 个标签对象。要怎么做呢？聪明的你应该想到了，我们只需要把“从标签对象抽取标题”这段逻辑写成一个函数，然后通过一个循环对列表的每个标签对象都调用这个函数即可。
# 从第一次 find_all 获取的标签对象中抽取标题
def get_title(label_object):
# 从刚才的参数传入的标签对象中过滤出所有 target=_blank 的 a 标签
a_labels = label_object.find_all("a",target="_blank")
# 取第一个标签对象
my_label = a_labels[0]
# 将标签的文字内容作为返回值返回
return my_label.get_text()
# 用循环针对每个 index_labels 列表中的标签对象
# 都将其作为参数传入 get_title 函数
# 并打印返回值
for i in range(0,len(index_labels)):
title = get_title(index_labels[i])
print(title)
执行后输出：
引发普通感冒的鼻病毒会将新冠病毒排挤出细胞！
无厘头研究：植入虚假的记忆再抹去它们
什么是仇恨犯罪？
突发：LHCb发现了违背标准模型的现象
今日带货 20210324
舌战裸猿：IBM搞出了可以打辩论赛的AI
大吐槽：「我没醉，醉的是世界」
今年世界总发电量的0.6%被用于挖比特币
接种疫苗后还是感染新冠？不要为此惊讶
今日带货：蛋友家的血橙
科学家首次在野外检测到抗多药的超级真菌
未在iPhone12盒中搭配充电器，苹果被巴西消协罚200万美元
工程师将解决城市陷坑的问题
今日带货：粉面专场
科学家在碟子里培育出了泪腺，并让它哭泣
疯狂实验进行时：把志愿者禁闭在黑暗的空间里40天
今日带货 20210321
我们已向外星人发送了哪些消息？
脑力小体操：石头+剪刀 VS 石头+布
发霉啦：今天，我终于向母亲摊牌了
普渡大学的经济学家计算出世界各地幸福的价格
人类首次观察到木星上极光黎明风暴的成形过程
为女儿出头，母亲编辑假裸照败坏高中啦啦队队员的名誉
今日带货：淘宝京东蛋友推荐
可以看到，jiandan.html 中的所有新闻标题被我们成功过滤了出来，现在是不是感受到了 BeautifulSoup 的神奇之处了呢。
至此，我们就完成了使用 BeautifulSoup 对网页进行内容的提取。
