python中stripped string_Python学习笔记：BeautifulSoup的使用

安装BeautifulSoup

pip install  BeautifulSoup

等安装完成后可以测试一下安装是否成功，进入IDLE，入  frombs4importBeautifulSoup ，如果没有报错即为安装成功。

BeautifulSoup常用操作

首先我们需要引入BeautifulSoup库

frombs4importBeautifulSoup

我们创建一个字符串，后面的例子我们便会用它来演示

创建 beautifulsoup 对象

soup=BeautifulSoup(html)

另外，我们还可以用本地 HTML 文件来创建对象，例如

soup=BeautifulSoup(open('index.html'))

上面这句代码便是将本地 index.html 文件打开，用它来创建 soup 对象

下面我们来打印一下 soup 对象的内容，格式化输出

printsoup.prettify()

以下便是输出结果，格式化打印出了它的内容，这个函数经常用到，小伙伴们要记好咯。

四大对象种类

Beautiful Soup将复杂HTML文档转换成一个复杂的树形结构,每个节点都是Python对象,所有对象可以归纳为4种:Tag

NavigableString

BeautifulSoup

Comment

下面我们进行一一介绍

(1)Tag

Tag 是什么？通俗点讲就是 HTML 中的一个个标签，例如  

TheDormouse'sstory 、 Elsie 。

上面的 title a 等等 HTML 标签加上里面包括的内容就是 Tag，下面我们来感受一下怎样用 BeautifulSoup 来方便地获取 Tags

下面每一段代码中注释部分即为运行结果

我们可以利用 soup加标签名轻松地获取这些标签的内容，是不是感觉比正则表达式方便多了？不过有一点是，它查找的是在所有内容中的第一个符合要求的标签，如果要查询所有的标签，我们在后面进行介绍。

我们可以验证一下这些对象的类型

对于 Tag，它有两个重要的属性，是 name 和 attrs，下面我们分别来感受一下

name

soup 对象本身比较特殊，它的 name 即为 [document]，对于其他内部标签，输出的值便为标签本身的名称。

attrs

在这里，我们把 p 标签的所有属性打印输出了出来，得到的类型是一个字典。

如果我们想要单独获取某个属性，可以这样，例如我们获取它的 class 叫什么

还可以这样，利用get方法，传入属性的名称，二者是等价的

我们可以对这些属性和内容等等进行修改，例如

还可以对这个属性进行删除，例如

不过，对于修改删除的操作，不是我们的主要用途，在此不做详细介绍了，如果有需要，请查看前面提供的官方文档

(2)NavigableString

既然我们已经得到了标签的内容，那么问题来了，我们要想获取标签内部的文字怎么办呢？很简单，用 .string 即可，例如

这样我们就轻松获取到了标签里面的内容，想想如果用正则表达式要多麻烦。它的类型是一个 NavigableString，翻译过来叫 可以遍历的字符串，不过我们最好还是称它英文名字吧。

来检查一下它的类型

(3)BeautifulSoup

BeautifulSoup 对象表示的是一个文档的全部内容.大部分时候,可以把它当作 Tag 对象，是一个特殊的 Tag，我们可以分别获取它的类型，名称，以及属性来感受一下

(4)Comment

Comment 对象是一个特殊类型的 NavigableString 对象，其实输出的内容仍然不包括注释符号，但是如果不好好处理它，可能会对我们的文本处理造成意想不到的麻烦。

我们找一个带注释的标签

运行结果如下

a 标签里的内容实际上是注释，但是如果我们利用 .string 来输出它的内容，我们发现它已经把注释符号去掉了，所以这可能会给我们带来不必要的麻烦。

另外我们打印输出下它的类型，发现它是一个 Comment 类型，所以，我们在使用前最好做一下判断，判断代码如下

上面的代码中，我们首先判断了它的类型，是否为 Comment 类型，然后再进行其他操作，如打印输出。

遍历文档树

(1)直接子节点要点：.contents  .children 属性

.contents

tag 的 .content 属性可以将tag的子节点以列表的方式输出

输出方式为列表，我们可以用列表索引来获取它的某一个元素

.children

它返回的不是一个 list，不过我们可以通过遍历获取所有子节点。

我们打印输出 .children 看一下，可以发现它是一个 list 生成器对象

我们怎样获得里面的内容呢？很简单，遍历一下就好了，代码及结果如下

(2)所有子孙节点

知识点：.descendants 属性

.descendants

.contents 和 .children 属性仅包含tag的直接子节点，.descendants 属性可以对所有tag的子孙节点进行递归循环，和 children类似，我们也需要遍历获取其中的内容。

运行结果如下，可以发现，所有的节点都被打印出来了，先生最外层的 HTML标签，其次从 head 标签一个个剥离，以此类推。

(3)节点内容

知识点：.string 属性

如果tag只有一个 NavigableString 类型子节点,那么这个tag可以使用 .string 得到子节点。如果一个tag仅有一个子节点,那么这个tag也可以使用 .string 方法,输出结果与当前唯一子节点的 .string 结果相同。

通俗点说就是：如果一个标签里面没有标签了，那么 .string 就会返回标签里面的内容。如果标签里面只有唯一的一个标签了，那么 .string 也会返回最里面的内容。例如

如果tag包含了多个子节点,tag就无法确定，string 方法应该调用哪个子节点的内容, .string 的输出结果是 None

(4)多个内容

知识点： .strings  .stripped_strings 属性

.strings

获取多个内容，不过需要遍历获取，比如下面的例子

.stripped_strings

输出的字符串中可能包含了很多空格或空行,使用 .stripped_strings 可以去除多余空白内容

(5)父节点

知识点： .parent 属性

喜欢python或者想学习python的朋友可以加QQ群：643692991！群内每天会更新python资料，还有大牛指导哟！

(6)全部父节点

知识点：.parents 属性

通过元素的 .parents 属性可以递归得到元素的所有父辈节点，例如喜欢python或者想学习python的朋友可以加QQ群：643692991！群内每天会更新python资料，还有大牛指导哟！

(7)兄弟节点

知识点：.next_sibling  .previous_sibling 属性

兄弟节点可以理解为和本节点处在统一级的节点，.next_sibling 属性获取了该节点的下一个兄弟节点，.previous_sibling 则与之相反，如果节点不存在，则返回 None

注意：实际文档中的tag的 .next_sibling 和 .previous_sibling 属性通常是字符串或空白，因为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

喜欢python或者想学习python的朋友可以加QQ群：643692991！群内每天会更新python资料，还有大牛指导哟！

(8)全部兄弟节点

知识点：.next_siblings  .previous_siblings 属性

通过 .next_siblings 和 .previous_siblings 属性可以对当前节点的兄弟节点迭代输出

(9)前后节点

知识点：.next_element  .previous_element 属性

与 .next_sibling  .previous_sibling 不同，它并不是针对于兄弟节点，而是在所有节点，不分层次

比如 head 节点为喜欢python或者想学习python的朋友可以加QQ群：643692991！群内每天会更新python资料，还有大牛指导哟！

那么它的下一个节点便是 title，它是不分层次关系的

喜欢python或者想学习python的朋友可以加QQ群：643692991！群内每天会更新python资料，还有大牛指导哟！

(10)所有前后节点

知识点：.next_elements  .previous_elements 属性

通过 .next_elements 和 .previous_elements 的迭代器就可以向前或向后访问文档的解析内容,就好像文档正在被解析一样

喜欢python或者想学习python的朋友可以加QQ群：643692991！群内每天会更新python资料，还有大牛指导哟！

以上是遍历文档树的基本用法。

搜索文档树

(1)find_all( name , attrs , recursive , text , **kwargs )

find_all() 方法搜索当前tag的所有tag子节点,并判断是否符合过滤器的条件

1)name 参数

name 参数可以查找所有名字为 name 的tag,字符串对象会被自动忽略掉

A.传字符串

最简单的过滤器是字符串.在搜索方法中传入一个字符串参数,Beautiful Soup会查找与字符串完整匹配的内容,下面的例子用于查找文档中所有的标签

B.传正则表达式

如果传入正则表达式作为参数,Beautiful Soup会通过正则表达式的 match() 来匹配内容.下面例子中找出所有以b开头的标签,这表示

和 标签都应该被找到

C.传列表

如果传入列表参数,Beautiful Soup会将与列表中任一元素匹配的内容返回.下面代码找到文档中所有标签和标签

D.传 True

True 可以匹配任何值,下面代码查找到所有的tag,但是不会返回字符串节点

E.传方法

如果没有合适过滤器,那么还可以定义一个方法,方法只接受一个元素参数 [4] ,如果这个方法返回 True 表示当前元素匹配并且被找到,如果不是则反回 False

下面方法校验了当前元素,如果包含 class 属性却不包含 id 属性,那么将返回 True:

将这个方法作为参数传入 find_all() 方法,将得到所有

标签:

soup.find_all(has_class_but_no_id)

# [

The Dormouse's story

,

#  

Once upon a time there were...

,

#  

...

]

未完待续..........