bs4模块使用（二）

2024-07-22 02:08:03
开发
18

遍历文档树

怎样从文档的一段内容找到另一段内容?

html_doc = """
<html><head><title>The Dormouse's story</title></head>
    <body>
<p class="title"><b>The Dormouse's story</b></p>

<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""

from bs4 import BeautifulSoup
soup = BeautifulSoup(html_doc, 'html.parser')

子节点

一个Tag可能包含多个字符串或其它的Tag,这些都是这个Tag的子节点

tag名字

想要获取节点，最简单的方法就是提供tag名字，甚至可以在文档树的tag中多次调用这个方法

通过点取属性的方式只能获得当前名字的第一个tag，后面会介绍获取全部

print(soup.head)
print(soup.title)
print(soup.body.p)

.contents和.children

.contents
.contents 属性可以将tag的子节点以列表的方式输出
.children
通过tag的 .children 生成器,可以对tag的子节点进行循环


print(soup.body.contents)

for item in soup.body.children:
    print(item)

字符串没有子节点
.contents和.children属性获取的子节点，仅包含tag的直接子节点

.descendants

.descendants属性，不仅可以获取直接子节点，子孙节点也可以获取

html_doc = """<html><head><title>The Dormouse's story</title></head><body><p class="title"><b>The Dormouse's story</b></p><p class="story">Once upon a time there were three little sisters; and their names were<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;and they lived at the bottom of a well.</p><p class="story">...</p>"""

soup = BeautifulSoup(html_doc,features="lxml")

 
for item in soup.body.descendants:
    print(item)

print("--------------")
for item in soup.body.contents:
    print(item)
print("--------------")

for item in soup.body.children:
    print(item)

在这里插入图片描述

使用该属性，不需要对直接子节点的子节点进行二次数据提取

.string

tag只有一个NavigableString类型的子节点，可以使用.string得到子节点
tag仅有一个子节点，那么tag调用.string属性，输出结果和上述一致

如果tag中存在多个字符串，可以用.strings来循环获取，如果存在很多空格或空行，可以通过.stripped_strings去除多余空白内容

全部是空格的行会被忽略掉,段首和段末的空白会被删除

父节点

每个tag或字符串都有父节点:被包含在某个tag中

.parent

通过 .parent 属性来获取某个元素的父节点

.parents

通过元素的.parents属性可以递归得到元素的所有父辈节点

兄弟节点

是同一个元素的子节点，可以被称为兄弟节点

.next_sibling和.previous_sibling

首个子节点无.previous_sibling，最后一个子节点无.next_sibling属性，这两个用于获取兄弟节点

通过 .next_siblings 和 .previous_siblings 属性可以对当前节点的兄弟节点迭代输出

原文地址:https://blog.csdn.net/weixin_45839955/article/details/140593986 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：https://www.suanlizi.com/kf/1815086350270074880.html 如若内容造成侵权/违法违规/事实不符，请联系《酸梨子》网邮箱：1419361763@qq.com进行投诉反馈，一经查实，立即删除！

阅读全部