【爬虫】2.4 BeautifulSoup遍历文档元素

即使再小的船也能远航

已于 2023-08-29 16:16:29 修改

阅读量348

点赞数

文章标签： beautifulsoup 爬虫网络爬虫遍历文档元素

于 2023-02-24 22:32:54 首次发布

本文链接：https://blog.csdn.net/qq_57268251/article/details/129133755

版权

1. 获取元素结点的父结点（上行遍历）

BeautifulSoup 通过tag.parent 获取 tag 结点的父结点，其中根结点<html>的父结点是名称为 [document] 的结点，这个 [document] 结点的父结点是 None。

标签树的上行遍历

属性	说明
.parent	节点的父亲标签
.parents	节点先辈标签的迭代类型，用于循环遍历先辈节点


frombs4importBeautifulSoup

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="https://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="https://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="https://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.
</p>
<p class="story">...</p>
</body>
</html>
'''

# 找出文档中 <p class="title"><b>The Dormouse's story</b></p> 的<b>元素结点的所有父结点的名称
soup=BeautifulSoup(doc, "lxml")
print(soup.name)  # [document]
tag=soup.find("b")
whiletag:
    print(tag.name, end=" ")  # b p body html [document]
    tag=tag.parent

2. 获取元素结点的直接子元素结点（下行遍历）

BeautifulSoup 通过：tag.children 获取 tag 结点的所有直接子结点，包括element、text 等类型的结点。

标签树的下行遍历

属性	说明
.contents	子节点的列表，将<tag>所有儿子节点存入列表
.children	子节点的迭代类型，与.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


frombs4importBeautifulSoup

doc='''
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The<i>Dormouse's</i>story</b> Once upon a time...</p>
</body>
</html>
'''

# 获取<p>元素的所有直接子元素结点
soup=BeautifulSoup(doc, "lxml")
tag=soup.find("p")
foriintag.children:
    print(i)
    # <b>The<i>Dormouse's</i>story</b>
    #  Once upon a time...

3. 获取元素结点的所有子孙元素结点（下行遍历）

BeautifulSoup 通过：tag.desendants 获取 tag 结点的所有子孙结点元素，包括element 、text 等类型的结点


frombs4importBeautifulSoup

doc='''
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The<i>Dormouse's</i>story</b> Once upon a time...</p>
</body>
</html>
'''

# 获取<p>元素的所有子孙元素结点
soup=BeautifulSoup(doc, "lxml")
tag=soup.find("p")
foriintag.descendants:
    print(i)
    # <b>The<i>Dormouse's</i>story</b>
    # The
    # <i>Dormouse's</i>
    # Dormouse's
    # story
    #  Once upon a time...

4. 获取元素结点的兄弟结点（平行遍历）

BeautifulSoup 通过...来获取...结点

tag.next_sibling （临近的）下一个兄弟结点
tag.previous_sibling （临近的） 前一个兄弟结点

标签树的平行遍历

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


frombs4importBeautifulSoup

doc='''
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The<i>Dormouse's</i>story</b>Once upon a time...</p>
</body>
</html>
'''

# 查找前后兄弟结点
soup=BeautifulSoup(doc, "lxml")
tag=soup.find("b")
print(tag.previous_sibling)  # None
print(tag.next_sibling)  # Once upon a time...
tag=soup.find("i")
print(tag.previous_sibling)  # The
print(tag.next_sibling)  # story

下一篇文章：2.5 BeautifulSoup使用 CSS 语法查找元素