<!-- HTML 是由标签组成的树形结构 -->
<html>
  <head>
    <title>我的网页</title>
  </head>
  <body>
    <div class="container">
      <h1 id="title">欢迎</h1>
      <p class="intro">这是一个段落</p>
      <ul>
        <li>项目1</li>
        <li>项目2</li>
      </ul>
      <a href="https://example.com" target="_blank">链接</a>
    </div>
  </body>
</html>

<!-- 标签 = 元素
     class = CSS 类名（可重复）
     id = 唯一标识
     href/target = 属性 -->

# 安装: pip install beautifulsoup4
from bs4 import BeautifulSoup

html = """
<html>
<head><title>测试页面</title></head>
<body>
  <h1 id="main-title">Hello World</h1>
  <p class="intro">欢迎来到 Python 世界</p>
  <p class="content">学习爬虫很有趣</p>
</body>
</html>
"""

# 创建 BeautifulSoup 对象
soup = BeautifulSoup(html, "html.parser")  # 使用内置解析器

# 基本操作
print(soup.title)           # <title>测试页面</title>
print(soup.title.text)      # 测试页面
print(soup.h1)              # <h1 id="main-title">Hello World</h1>
print(soup.h1.text)         # Hello World
print(soup.body)            # 整个 body 内容

from bs4 import BeautifulSoup

html = """
<div class="products">
  <div class="item">
    <h2>商品A</h2>
    <span class="price">¥99</span>
    <span class="stock">有货</span>
  </div>
  <div class="item">
    <h2>商品B</h2>
    <span class="price">¥199</span>
    <span class="stock">缺货</span>
  </div>
</div>
"""

soup = BeautifulSoup(html, "html.parser")

# 按标签名查找（返回第一个匹配的）
h2 = soup.find("h2")
print(h2.text)  # 商品A

# 按 class 查找
price = soup.find("span", class_="price")
print(price.text)  # ¥99

# 按 id 查找
# element = soup.find("div", id="main")

# 按属性查找
stock = soup.find("span", attrs={"class": "stock"})
print(stock.text)  # 有货

# 组合条件
item = soup.find("div", class_="item")
print(item.h2.text)        # 商品A
print(item.find("span", class_="price").text)  # ¥99

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, "html.parser")

# 查找所有 h2 标签
h2s = soup.find_all("h2")
for h2 in h2s:
    print(h2.text)
# 商品A
# 商品B

# 查找所有 class="price" 的 span
prices = soup.find_all("span", class_="price")
for p in prices:
    print(p.text)
# ¥99
# ¥199

# 限制返回数量
first_price = soup.find_all("span", class_="price", limit=1)

# 用正则表达式匹配
import re
tags = soup.find_all(re.compile("^h[1-6]"))  # 所有标题标签
for tag in tags:
    print(f"<{tag.name}>: {tag.text}")

# 提取所有商品信息
items = soup.find_all("div", class_="item")
products = []
for item in items:
    name = item.h2.text
    price = item.find("span", class_="price").text
    stock = item.find("span", class_="stock").text
    products.append({
        "name": name,
        "price": price,
        "stock": stock
    })
    print(f"{name}: {price} ({stock})")

# 商品A: ¥99 (有货)
# 商品B: ¥199 (缺货)

from bs4 import BeautifulSoup

html = """
<div class="container">
  <ul id="menu">
    <li class="active">首页</li>
    <li>产品</li>
    <li>关于</li>
  </ul>
  <div class="content">
    <p>段落1</p>
    <p>段落2</p>
    <a href="/link1">链接1</a>
    <a href="/link2">链接2</a>
  </div>
</div>
"""

soup = BeautifulSoup(html, "html.parser")

# CSS 选择器语法
print(soup.select("li"))           # 所有 li
print(soup.select(".active"))      # class="active"
print(soup.select("#menu"))        # id="menu"
print(soup.select("#menu li"))     # #menu 下的所有 li
print(soup.select("ul > li"))      # ul 的直接子元素 li
print(soup.select("div.content"))  # div 且 class="content"
print(soup.select("a[href]"))      # 有 href 属性的 a 标签

# 组合选择器
print(soup.select("div.container ul#menu li.active"))
# class="container" 的 div → id="menu" 的 ul → class="active" 的 li

# 获取选择结果的文本
for li in soup.select("#menu li"):
    print(li.text)
# 首页
# 产品
# 关于

💡 CSS 选择器速查：
tag— 标签名
.class— 类名
#id— ID
tag.class— 标签+类名
A > B— A 的直接子元素 B
A B— A 的后代元素 B
A, B— A 或 B
[attr] — 有某属性

6. 获取元素属性和文本

from bs4 import BeautifulSoup

html = """
<a href="https://example.com" target="_blank" class="link">示例链接</a>
<img src="photo.jpg" alt="照片" width="300">
<input type="text" name="username" value="admin">
"""

soup = BeautifulSoup(html, "html.parser")

# 获取文本
a = soup.find("a")
print(a.text)           # 示例链接
print(a.get_text())     # 示例链接
print(a.string)         # 示例链接

# 获取属性
print(a["href"])        # https://example.com
print(a.get("target"))  # _blank
print(a.attrs)          # {'href': 'https://example.com', 'target': '_blank', 'class': ['link']}

# img 属性
img = soup.find("img")
print(img["src"])       # photo.jpg
print(img["alt"])       # 照片

# input 属性
inp = soup.find("input")
print(inp["type"])      # text
print(inp["value"])      # admin

7. 遍历 DOM 树

from bs4 import BeautifulSoup

html = """
<div id="root">
  <p>第一段</p>
  <span>span文本</span>
  <p>第二段</p>
</div>
"""

soup = BeautifulSoup(html, "html.parser")
root = soup.find("div", id="root")

# 向下遍历
print(root.children)      # 直接子元素（迭代器）
for child in root.children:
    if child.name:
        print(f"子元素: <{child.name}> {child.text}")

print(root.descendants)   # 所有后代元素（递归）

# 向上遍历
p = soup.find("p")
print(p.parent)           # 父元素
print(p.parent.name)      # div

# 兄弟元素
print(p.next_sibling)          # 下一个兄弟（可能含空文本）
print(p.find_next_sibling())   # 下一个标签兄弟
print(p.find_next_sibling("span"))  # 下一个 span 兄弟

8. 实战：解析新闻列表

from bs4 import BeautifulSoup
import requests

html = """
<div class="news-list">
  <div class="news-item">
    <h3><a href="/news/1">Python 3.13 发布</a></h3>
    <span class="time">2024-01-15</span>
    <span class="source">官方博客</span>
  </div>
  <div class="news-item">
    <h3><a href="/news/2">AI 编程助手大比拼</a></h3>
    <span class="time">2024-01-14</span>
    <span class="source">科技日报</span>
  </div>
  <div class="news-item">
    <h3><a href="/news/3">机器学习入门指南</a></h3>
    <span class="time">2024-01-13</span>
    <span class="source">数据科学杂志</span>
  </div>
</div>
"""

soup = BeautifulSoup(html, "html.parser")

news_list = []
for item in soup.find_all("div", class_="news-item"):
    title_tag = item.find("a")
    title = title_tag.text
    link = title_tag.get("href", "")
    time = item.find("span", class_="time").text
    source = item.find("span", class_="source").text

    news_list.append({
        "title": title,
        "link": link,
        "time": time,
        "source": source
    })

for news in news_list:
    print(f"📰 [{news['time']}] {news['title']} ({news['source']})")

# 📰 [2024-01-15] Python 3.13 发布 (官方博客)
# 📰 [2024-01-14] AI 编程助手大比拼 (科技日报)
# 📰 [2024-01-13] 机器学习入门指南 (数据科学杂志)

9. 实战：提取表格数据

from bs4 import BeautifulSoup

html = """
<table id="scores">
  <thead>
    <tr><th>姓名</th><th>语文</th><th>数学</th><th>英语</th></tr>
  </thead>
  <tbody>
    <tr><td>张三</td><td>90</td><td>95</td><td>88</td></tr>
    <tr><td>李四</td><td>85</td><td>80</td><td>92</td></tr>
    <tr><td>王五</td><td>78</td><td>88</td><td>76</td></tr>
  </tbody>
</table>
"""

soup = BeautifulSoup(html, "html.parser")

# 提取表头
headers = [th.text for th in soup.select("thead th")]
print(f"列名: {headers}")

# 提取数据行
rows = []
for tr in soup.select("tbody tr"):
    cells = [td.text for td in tr.find_all("td")]
    row = dict(zip(headers, cells))
    rows.append(row)

for row in rows:
    total = sum(int(v) for v in row.values() if v.isdigit())
    print(f"  {row['姓名']}: 总分 {total}")

# 列名: ['姓名', '语文', '数学', '英语']
#   张三: 总分 273
#   李四: 总分 257
#   王五: 总分 242

10. 今日小结

🎯 练习建议：
1. 用 BeautifulSoup 解析一个真实网页，提取所有链接
2. 提取一个电商页面的商品名、价格、评分
3. 解析维基百科的一个页面，提取所有段落的标题和内容

📚 Day42 完成！明天学习 XPath + lxml — 另一种强大的解析方式