基于bs4的html内容遍历方法
html可转化为树形结构,从而可以让我们对遍历方法和遍历过程有一个直观的认识
例如,以下的html代码
<html>
<head>
<title>
This is a python demo page
</title>
</head>
<body>
<p class="title">
<b>
The demo python introduces several python courses.
</b>
</p>
<p class="course">
Python is a wonderful general-purpose programming language. You can learn Python from novice to professional by tracking the following courses:
<a class="py1" href="http://www.icourse163.org/course/BIT-268001" id="link1">
Basic Python
</a>
and
<a class="py2" href="http://www.icourse163.org/course/BIT-1001870001" id="link2">
Advanced Python
</a>
</p>
</body>
</html>
就可以转化为以下的标签树:
标签树可以有三种遍历方式:
标签树的下行遍历:
属性
说明
.contents
子节点的列表,将<tag>所有的儿子节点存入列表
.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,包含所有的子孙节点,用于循环遍历
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,用于循环先辈节点
标签树的平行遍历:
.next_slibing
返回按照html文本顺序的下一个平行节点标签
.previous_slibing
返回按照html文本顺序的上一个平行节点标签
(所有的平行遍历必须发生在同一个父节点下的各节点之间)
综上,可以得下图: