Python3爬虫神器值BeautifulSoup(二)——遍历文档树

那么我们现在就来讲讲第一篇老是提到的遍历文档树以及搜索文档树

我们就不拿其他例子了,直接用文档中的例子

from bs4 import BeautifulSoup

html_doc="""

<html><head><title>The Dormouse's story</title></head>

<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)

一个Tag中可能包含多个字符串或者其他的Tag,这些都是这个Tag的子节点。BeautifulSoup提供了许多操纵和遍历子节点的属性(Beautiful Soup中字符串节点不支持这些属性,因为字符串没有子节点)

想要操纵文档书最简单的方法就是直接告诉它你要的tag的name例如你想要其中的<head>标签

那么就可以直接soup.head


你也可以多次调用这个方法例如


但是通过这个方法只能获得当前名字的第一个也就是说只能获得class = "title"的p标签而不是其他的p标签。如果想要所有的标签那么你可以使用find_all()这个标签


可以看到返回的是一个list

tag的.contents属性可以将tag的子节点以列表的方式输出


BeautifulSoup对象一定会有一个子节点,<html>就是其一个子节点。


但是字符串没有.contents属性因为它没有子节点。我们也可以通过tag的.children生成器对tag的子节点进行循环


contents和children属性仅包含tag的直接子节点就像<body>直接子节点<p>而不包括<b>但是<p>节点又包含<b>,<b>节点又包含字符串节点,这种情况下就出现了子孙节点就同上例中我们就可以用.descendants属性来遍历子孙节点


我们再来看一下明显的区别


如果tag只有一个NavigableString类型的子节点或者只有一个子节点那么tag可以使用.string的方法来得到子节点,两种情况输出的内容相同


但是如果tag中包含多个子节点,tag就没有办法确定.string就不知道要调用哪个所以输出的结果是None

如果tag中有多个字符串那么可以用.strings来循环获取


可以用.stripped_strings除去多余空格的内容,全部是空格的行会被忽略掉,段首和段末的空白会被删除

说回文档树,每一个tag或者字符串都会有父节点,啥子事父节点嘞,父节点简单理解就是这个元素上面的一个标签就这个例子来说<title>的父标签是<head>,这个The Dormouse's story字符串的父节点是<title>,文档的顶层节点比如的父节点是 BeautifulSoup 对象,而BeautifulSoup对象的父节点是None。而.parent可以获得一个父节点,而parents可以获得所有父节点。

    说完父节点怎么能不说兄弟节点呢,按父节点的来理解兄弟节点那么兄弟节点就表示是同级的标签,也就是同属于一个父节点的标签在文档树中可以用.next_sibling和.previous_sibling来获取兄弟标签。很好理解.previous_sibling可以获得前一个兄弟标签,而.next_sibling可以获得后一个兄弟标签。如果已经是第一个标签那么.previous_sibling将会返回None,.next_sibling同理。但是要记住父节点不同那么两个标签就不是兄弟标签,还有一点要注意这个例子中又这么一段:


第一个a标签的.next_sibling并不是第二个a标签而是逗号和换行符,仔细看第一个标签的最后是一个逗号和换行,所以不难理解咯。而第二个a标签是逗号换行符的.next_sibling。

.next_sibling或.previous_sibling只能的到前一个或者后一个标签,而.next_siblings或.previous_siblings可以得到所有的前标签或者后标签

再来说说,next_element和.previous_element

这俩玩意看着和之前讲的那个很像功能也有点像。先来说说HTML解析器,HTML解析器就是按照顺序依次带或者关闭标签。而.next_element属性是指向解析过程中下一个被解析对象,当然结果可能会和.next_sibling一样但是大部分时候还是不一样。

就以下例子来说


从这里就可以看出区别。那么.next_elements和.previous_elements就不多说了,同上

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 214,837评论 6 496
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,551评论 3 389
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 160,417评论 0 350
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,448评论 1 288
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,524评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,554评论 1 293
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,569评论 3 414
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,316评论 0 270
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,766评论 1 307
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,077评论 2 330
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,240评论 1 343
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,912评论 5 338
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,560评论 3 322
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,176评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,425评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,114评论 2 366
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,114评论 2 352

推荐阅读更多精彩内容