第14.10节 Python中使用BeautifulSoup解析http报文：html标签相关属性的访问

一、引言

在《第14.8节 Python中使用BeautifulSoup加载HTML报文》中介绍使用BeautifulSoup的安装、导入和创建对象的过程，本节介绍导入后利用BeautifulSoup对象访问相关标签数据。

本节案例中介绍处理的c:\temp\s1.html文件内容如下：

<!DOCTYPE html>

<html lang="zh-CN">

<head>

<style type="text/css">	.textline{color:blue;}</style>

<link href="https://blog.csdn.net/LaoYuanPython/article/details/95360624" rel="canonical"/>

<title>BeautifulSoups使用方法 - 老猿Python - CSDN博客 </title></head>

<body>

  <h1>老猿Python</h1>

	<div><p class="textline" name="line1"> 老猿Python首行</p></div>

	<div>

	<h2>老猿Python第二行<a href="https://blog.csdn.net/LaoYuanPython" /> </h2>

	<h3><b>老猿Python第三行</b><a href="https://blog.csdn.net/LaoYuanPython" /> </h3>

  </div>

</body></html>

创建soup对象的代码如下：

>>> from bs4 import BeautifulSoup

>>> def getsoup():

    fp = open(r'c:\temp\s1.html',encoding='utf-8')

    soup = BeautifulSoup(fp, 'lxml')

    fp.close()

    print(soup)

    return soup

>>> soup=getsoup()

二、访问标签及其属性数据

通过BeautifulSoup对象可以访问标签对应的html元素、并进一步访问标签的名字、属性、html元素标签对中的内容。

通过Tag标签获取HTML元素内容

Tag就是 HTML 中的一个个标签，用 BeautifulSoup 可以很方便地获取 T标签，通过标签名可以获取HTML报文中对应标签的第一个记录。注意标签识别时对大小写敏感（标签应该都是小写）。

如上面读取文件解析报文构建soap对象后，访问相关的标签的结果：

>>> soup.title

<title>BeautifulSoups使用方法 - 老猿Python - CSDN博客 </title>

>>> soup.p

<p class="textline" name="line1"> 老猿Python首行</p>

>>> soup.link

<link href="https://blog.csdn.net/LaoYuanPython/article/details/95360624" rel="canonical"/>

通过标签获取标签属性

通过BeautifulSoup对象的标签名的attrs属性可以访问标签的所有属性，返回的属性为一个字典，如果通过标签名加属性名的方法可以访问属性的值。如：

>>> soup.link.attrs

{'href': 'https://blog.csdn.net/LaoYuanPython/article/details/95360624', 'rel': ['canonical']}

>>> soup.link['rel']

['canonical']

>>> soup.link.name

'link'

>>>

除了读取相关数据外，还可以通过赋值进行内存数据的修改，如：

>>> soup.title = '老猿Python'

注意：

 上述通过“BeautifulSoup对象.标签”去访问的数据都是html报文中第一个匹配的标签的内容；

 可以通过“BeautifulSoup对象.标签.attrs”访问标签的所有属性数据，如soup.link.attrs，通过“soup.标签[“属性名”]”访问具体属性的值，如soup.link[‘rel’]。

无嵌套情况下通过标签获取标签内的文字内容

当通过标签获取到标签内容后，可以通过标签内容的string属性获取标签内的文字。由于string属性返回内容的类型为bs4.element.NavigableString，所以称获取的文本为NavigableString，如：

>>> soup.title.string

'BeautifulSoups使用方法 - 老猿Python - CSDN博客 '

>>> soup.link

<link href="https://blog.csdn.net/LaoYuanPython/article/details/95360624" rel="canonical"/>

>>> soup.link.string

>>> soup.h1.string

'老猿Python'

>>>

上面soup.link.string没有数据，是因为link只有标签数据而标签外无内容。我们来看看数据类型：

>>> type( soup.title.string)

<class 'bs4.element.NavigableString'>

>>> soup.title.string[0:10]

'BeautifulS'

>>>

标签嵌套情况下通过父标签获取标签内的文字内容，这又分为三种情况：

1)如果标签里面只有唯一的一个标签无其他内容，那么string会返回最里面嵌套标签对应的内容。如：

>>> soup.div

<div><p class="textline" name="line1"> 老猿Python首行</p></div>

>>> soup.div.string

' 老猿Python首行'

>>> soup.div.p.string

' 老猿Python首行'

>>>

2)如果tag包含了1个子节点且本身标签内还有文本内容,无法确认该返回哪个文本内容，因此模块给string 的值为 None。如：

>>> soup.h2

<h2>老猿Python第二行<a href="https://blog.csdn.net/LaoYuanPython"></a> </h2>

>>> soup.h2.string

>>> soup.h2.a

<a href="https://blog.csdn.net/LaoYuanPython"></a>

>>>

3)如果tag包含了多个子节点,string 的输出结果也是 None。

>>> soup.h3

<h3><b>老猿Python第三行</b><a href="https://blog.csdn.net/LaoYuanPython"></a> </h3>

>>> soup.h3.string

>>> soup.h3.b

<b>老猿Python第三行</b>

>>> soup.h3.b.string

'老猿Python第三行'

>>>

三、嵌套标签节点访问

通过标签的contents属性，可以访问其下嵌套的所有下级HTML元素，这些该标签下的子标签对应的HTML元素放到一个content 指向的列表中。如：

>>> print(soup.body.contents)

['\n', <h1>老猿Python</h1>, '\n', <div><p class="textline" name="line1"> 老猿Python首行</p></div>, '\n', <div>

<h2>老猿Python第二行<a href="https://blog.csdn.net/LaoYuanPython"></a> </h2>

<h3><b>老猿Python第三行</b><a href="https://blog.csdn.net/LaoYuanPython"></a> </h3>

</div>, '\n']

>>>

注意换行符和空行都会作为一个列表元素返回。

2. 通过标签的children属性也可以访问标签下嵌套的所有HTML元素，只是其类型不是列表，而是一个迭代器。如：

>>> for i in soup.body.children:print(i,end=', ')

, <h1>老猿Python</h1>,

, <div><p class="textline" name="line1"> 老猿Python首行</p></div>,

, <div>

<h2>老猿Python第二行<a href="https://blog.csdn.net/LaoYuanPython"></a> </h2>

<h3><b>老猿Python第三行</b><a href="https://blog.csdn.net/LaoYuanPython"></a> </h3>

</div>,

,

>>>

>>> type(soup.body.children)

<class 'list_iterator'>

>>>

从上述输出可以看到children与contents还是有换行符和空行。

访问嵌套标签的所有子孙节点

escendants 属性可以对标签其下所有层次的节点进行访问，而 children只能访问直接子节点，注意descendants返回的是一个生成器。

>>> type(soup.body.descendants)

<class 'generator'>

>>> for i in soup.body.descendants:print(i,end=', ')

, <h1>老猿Python</h1>, 老猿Python,

, <div><p class="textline" name="line1"> 老猿Python首行</p></div>, <p class="textline" name="line1"> 老猿Python首行</p>,  老猿Python首行,

, <div>

<h2>老猿Python第二行<a href="https://blog.csdn.net/LaoYuanPython"></a> </h2>

<h3><b>老猿Python第三行</b><a href="https://blog.csdn.net/LaoYuanPython"></a> </h3>

</div>,

, <h2>老猿Python第二行<a href="https://blog.csdn.net/LaoYuanPython"></a> </h2>, 老猿Python第二行, <a href="https://blog.csdn.net/LaoYuanPython"></a>,  ,

, <h3><b>老猿Python第三行</b><a href="https://blog.csdn.net/LaoYuanPython"></a> </h3>, <b>老猿Python第三行</b>, 老猿Python第三行, <a href="https://blog.csdn.net/LaoYuanPython"></a>,  ,

,

,

>>>

访问标签的父节点

可以通过标签的parent属性访问其直接父节点，如：

>>> soup.b.parent

<h3><b>老猿Python第三行</b><a href="https://blog.csdn.net/LaoYuanPython"></a> </h3>

>>>

访问标签的所有祖先节点

通过标签的parents属性可以访问其所有父节点及祖先节点，该值为一个生成器，如：

>>> type(soup.b.parents)

<class 'generator'>

>>> for i in soup.b.parents:print(i.name,i.string)

h3 None

div None

body None

html None

[document] None

>>>

访问标签的同父节点下的同级兄弟节点

next_sibling 属性为节点的下一个兄弟节点，previous_sibling 属性为节点的上一个兄弟节点，如果节点不存在，则返回 None，由于空白或者换行也可以被视作一个节点，所以得到的结果可能是空白或者换行。

>>> soup.b.next_sibling

<a href="https://blog.csdn.net/LaoYuanPython"></a>

>>> soup.b.pre_sibling

>>>

访问标签的同父节点下的所有同级兄弟节点

通过next_siblings 和 previous_siblings 属性可以对当前节点的所有兄弟节点迭代访问，如：

>>> for i in soup.h2.next_siblings:print(i)

<h3><b>老猿Python第三行</b><a href="https://blog.csdn.net/LaoYuanPython"></a> </h3>

>>> for i in soup.h3.previous_siblings:print(i)

<h2>老猿Python第二行<a href="https://blog.csdn.net/LaoYuanPython"></a> </h2>

>>>

访问标签的前后节点

通过next_element和previous_element可以访问标签的前后元素，这里的前后是指html文档中当前标签的前一个元素和后一个元素，不论标签层级，只是字符串的位置前后。并且不一定是标签，只要是独立含义的部分。如：

>>> soup.b.next_element

'老猿Python第三行'

>>> soup.b.previous_element

<h3><b>老猿Python第三行</b><a href="https://blog.csdn.net/LaoYuanPython"></a> </h3>

>>>

访问标签的所有前后节点

通过 next_elements 和 previous_elements 的生成器就可以访问当前标签所有前面和后面的html文档解析元素。如：

>>> for n in soup.a.next_elements:

	if n!=None and n.name!=None:print(n.name)

h3

b

a

>>>  for n in soup.head.previous_elements:print(n.name)

None

html

None

>>>

注意部分元素可能是空行或换行符。

访问标签的所有内容

使用标签的contents属性可以访问该标签下的所有元素，如：

>>> soup.div.contents

['\n', <h1 class="t1" id="l1" name="line1">老猿Python第1行</h1>, '\n', <h2 class="t2" id="l2" name="line2">老猿Python第2行</h2>, '\n', <h3 class="t3" id="l3" name="line3">老猿Python第3行</h3>, '\n', <div>

<h1 class="t1" id="l4" name="line4">LaoYuanPython第1行</h1>

<h2 class="t2" id="l5" name="line5">LaoYuanPython第2行</h2>

<h3 class="t3" id="l6" name="line6">LaoYuanPython第3行</h3>

</div>, '\n']

>>> soup.h1.contents

['老猿Python第1行']

>>>

四、访问对象的所有内容

通过对象的strings属性迭代访问除标签外的所有内容，包括空行、空白行，如：

>>> for i in soup.head.strings:print(i)

	.textline{color:blue;}

BeautifulSoups使用方法 - 老猿Python - CSDN博客

>>>

通过对象的stripped_strings属性迭代访问所有内容，去除空行、空白行，如：

>>> for i in soup.head.stripped_strings:print(i)

.textline{color:blue;}

BeautifulSoups使用方法 - 老猿Python - CSDN博客

>>>

本节介绍了BeautifulSoup对象的主要属性，通过这些属性可以访问特定标签和内容。

老猿Python，跟老猿学Python!

博客地址：https://blog.csdn.net/LaoYuanPython

老猿Python博客文章目录：https://blog.csdn.net/LaoYuanPython/article/details/98245036

请大家多多支持，点赞、评论和加关注！谢谢！

第14.10节 Python中使用BeautifulSoup解析http报文：html标签相关属性的访问的更多相关文章

第14.12节 Python中使用BeautifulSoup解析http报文：使用select方法快速定位内容
一. 引言在<第14.10节 Python中使用BeautifulSoup解析http报文:html标签相关属性的访问>和<第14.11节 Python中使用BeautifulSo ...
第14.11节 Python中使用BeautifulSoup解析http报文：使用查找方法快速定位内容
一. 引言在<第14.10节 Python中使用BeautifulSoup解析http报文:html标签相关属性的访问>介绍了BeautifulSoup对象的主要属性,通过这些属性可以访 ...
第14.8节 Python中使用BeautifulSoup加载HTML报文
一. 引言 BeautifulSoup是一个三方模块bs4中提供的进行HTML解析的类,可以认为是一个HTML解析工具箱,对HTML报文中的标签具有比较好的容错识别功能.阅读本节需要了解html相关的 ...
第14.9节 Python中使用urllib.request+BeautifulSoup获取url访问的基本信息
利用urllib.request读取url文档的内容并使用BeautifulSoup解析后,可以通过一些基本的BeautifulSoup对象输出html文档的基本信息.以博文<第14.6节使用 ...
第9.10节 Python中IO模块其他文件操作属性和方法简介
本文中所有案例中的fp都是使用open函数打开文件返回的一个文件对象,为了节省篇幅,大部分没有提供文件打开的代码. 一. 文件是否关闭的属性属性名:closed 功用:判断文件是否关闭示例: &g ...
第7.22节 Python中使用super调用父类的方法
第7.22节 Python中使用super调用父类的方法前面章节很多地方都引入了super方法,这个方法就是访问超类这个类对象的.由于super方法的特殊性,本节单独谈一谈super方法. 一.su ...
第8.20节 Python中限制动态定义实例属性的白名单：__slots__
一. 引言按照<第7.10节 Python类中的实例变量定义与使用>.<第7.14节Python类中的实例方法解析>中的介绍,当定义了一个类,并且创建了该类的实例后,可以给该 ...
第8.23节 Python中使用sort/sorted排序与“富比较”方法的关系分析
一. 引言 <第8.21节 Python中__lt__.gt__等 "富比较"("rich comparison")方法用途探究>和<第8.2 ...
第8.27节 Python中__getattribute__与property的fget、@property装饰器getter关系深入解析
一. 引言在<第7.23节 Python使用property函数定义属性简化属性访问的代码实现>和<第7.26节 Python中的@property装饰器定义属性访问方法gette ...

随机推荐

C++ 基础 4：继承和派生
1 继承和派生在 C++ 中可重用性是通过继承这一机制实现的.继承允许我们依据另一个类来定义一个类,这使得创建和维护一个应用程序变得更容易.这样做,也达到了重用代码功能和提高执行效率的效果. 当创 ...
万字长文，详解推荐系统领域经典模型FM因子分解机
在上一篇文章当中我们剖析了Facebook的著名论文GBDT+LR,虽然这篇paper在业内广受好评,但是毕竟GBDT已经是有些老旧的模型了.今天我们要介绍一个业内使用得更多的模型,它诞生于2010年 ...
一文带你玩转对象存储COS文档预览
随着"互联网+"的发展,各行各业纷纷"去纸化",商务合同.会议纪要.组织公文.商品图片.培训视频.学习课件.随堂讲义等电子文档无处不在.而要查看文档一般需要先下 ...
Linux安装JAVA并且配置环境
在写之前我先说一下我遇到的坑,我在配置环境的时候由于/etc/profile文件没有配置好导致系统彻底坏掉 1.ls vi等等命令使用不了,报错说找不到命令 2.在重启后虚拟机不能进入桌面 1.下载j ...
Python_爬虫伪装_ scrapy中fake_userAgent的使用
scrapy 伪装代理和fake_userAgent的使用伪装浏览器代理在爬取网页是有些服务器对请求过滤的不是很高可以不用ip来伪装请求直接将自己的浏览器信息给伪装也是可以的. 第一种方法: 1. ...
IDEA “Cannot resolve symbol” 解决办法
IDEA 无法识别同一个 package 里的其他类,将其显示为红色,但是 compile 没有问题.鼠标放上去后显示 "Cannot resolve symbol XXX",重启 ...
iOS Transform坐标变化
在使用CGContext时,由于Quartz 2D与UIKit坐标不一致,所以需要对context进行再一次的变化,达到预期的效果. 1. 不同坐标原点介绍在Quartz 2D中,坐标原点在画布的左 ...
玩转百度地图API（地图,坐标,标记,添加控件,2D图,混合图,智能搜索,地址解析器,信息窗口)
1.注册得到appkey 2.直接上代码 <!DOCTYPE html> <html> <head> <meta http-equiv="Conte ...
ABBYY FineReader 与尚书七号OCR的对比
ABBYY FineReader 与尚书七号OCR都是帮助我们识别文字的工具,使用的都是OCR技术,如今文字识别工具是我们学习和工作经常会使用的,它们的功能是否实用和好用?现在通过对比的方式来探讨. ...
头秃了，使用@AutoConfigureBefore指定配置类顺序竟没生效？
持续原创输出,点击上方蓝字关注我前言日常工作中对于Spring Boot 提供的一些启动器可能已经足够使用了,但是不可避免的需要自定义启动器,比如整合一个陌生的组件,也想要达到开箱即用的效果. 在 ...

第14.10节 Python中使用BeautifulSoup解析http报文：html标签相关属性的访问

第14.10节 Python中使用BeautifulSoup解析http报文：html标签相关属性的访问的更多相关文章

随机推荐

热门专题