Python

发布日期: 2018-10-10

import requests
from bs4 import BeautifulSoup #引入BeautifulSoup类

url = "https://python123.io/ws/demo.html"

r = requests.get(url)

print(r.status_code)

print("\n")

#demo = r.text    #html格式信息

#soup = BeautifulSoup(demo,"html.parser")#使用html.parser对demo进行html解析
soup = BeautifulSoup(open(r"C:\Users\Administrator\Desktop\beautifulsoup\demo.html"))
print(soup.prettify())

BeautifulSoup官方文档

BeautifulSoup库解析器

解析器	使用方法	条件
bs4的HTML解析器	beautiful(mk,”html.parser”)	安装bs4库
lxml的HTML解析器	BeautifulSoup(mk,”lxml”)	安装lxml库
lxml的xml解析器	BeautifulSoup(mk,”xml”)	安装lxml库
html5lib的解析器	BeautifulSoup(mk,”html5lib”)	安装html5lib库

BeautifulSoup库的基本元素

基本元素	说明
Tag	标签，最基本的信息组织单元，分别用<></>标明开头和结尾
Name	标签的名字，`<p>...</p>`的名字是‘p’,格式:`<tag>.name`
Attributes	标签的属性,字典形式组织，格式:`<tag>.attrs`
NavigableString	标签内非属性字符串,<>…</>中字符串，格式:`<tag>.string`
Comment	标签内字符串的注释部分，一种特殊的Comment类型


```python
# Tag的Comment元素

from bs4 import BeautifulSoup

soup = BeautifulSoup(“

This is not a comment

“,”html.parser”)

print(soup.b.string)
print(type(soup.b.string))

print(soup.p.string)
print(type(soup.p.string))

![](https://i.imgur.com/77Ka7Qb.png)

* BeautifulSoup对应一个HTML/XML文档的全部内容
* 任何存在于HTMl语法中的标签都可以用`soup.<tag>`访问获得，当HTML文档中存在多个相同`<tag>`对应内容时，`soup.<tag>`返回第一个
* 每个`<tag>`都有自己的名字，通过`<tag>.name`获取，字符串类型
* 一个`<tag>`可以有0或多个属性，字典类型
* NavigableString可以跨越多个层次

# 基于bs4库的HTML内容遍历方法

![](https://i.imgur.com/9ka0fPA.png)
![](https://i.imgur.com/QqwbSXq.png)

## 标签数的下行遍历
|属性|说明|
|:--:|:--:|
|.contents|子节点的列表，将<tag>所有儿子节点存人列表|
|.children|子节点的迭代类型，于.contents类似，用于循环遍历儿子节点|
|.descendants|子孙节点的迭代类型，包含所有子孙节点，用于循环遍历|
![](https://i.imgur.com/x0ptQee.png)
![](https://i.imgur.com/aoz6x9u.png)
```python
# 标签树的下行遍历

import requests
from bs4 import BeautifulSoup

url = "https://python123.io/ws/demo.html"

r = requests.get(url)

demo = r.text
soup = BeautifulSoup(demo,"html.parser")

'''for child in soup.body.children:  #遍历儿子节点
    print(child)
'''

for child in soup.body.descendants:  #遍历子孙节点
    print(child)

标签树的上行遍历

属性	说明
.parent	节点的父亲标签
.parents	节点先辈标签的的迭代类型，用于循环遍历先辈节点
```python
# 标签树的上行遍历

import requests
from bs4 import BeautifulSoup

url = “https://python123.io/ws/demo.html"

r = requests.get(url)

demo = r.text
soup = BeautifulSoup(demo,”html.parser”)

for parent in soup.a.parents: #遍历所有先辈节点，包括soup本身，soup的先辈不存在name信息
if parent is None:
print(parent)
else:
print(parent.name)

![](https://i.imgur.com/WEKGdLU.png)

## 标签树的平行遍历
平行遍历发生在同一个父节点下的各节点之间

|属性|说明|
|:--:|:--:|
|.next_sibling|返回按照HTML文本顺序的下一个平行节点标签|
|.previous_sibling|返回按照HTML文本顺序的上一个平行节点标签|
|.next_siblings|迭代类型，返回按照HTML文本顺序的后续所有平行节点标签|
|.previous_siblings|迭代类型，返回按照HTML文本顺序的前续所有平行节点标签|

![](https://i.imgur.com/TECSzL4.png)
```python
# 标签树的平行遍历

import requests
from bs4 import BeautifulSoup

url = "https://python123.io/ws/demo.html"

r = requests.get(url)

demo = r.text
soup = BeautifulSoup(demo,"html.parser")

for sibling in soup.a.next_sibling:
    print(sibling)                  #遍历后续节点

'''for sibling in soup.a.previous_sibling:
    print(sibling)                  #遍历前续节点
'''