python的http文本解析_第14.10节 Python中使用BeautifulSoup解析http报文：html标签相关属性的访问...

一、引言

在《第14.8节 Python中使用BeautifulSoup加载HTML报文》中介绍使用BeautifulSoup的安装、导入和创建对象的过程，本节介绍导入后利用BeautifulSoup对象访问相关标签数据。

本节案例中介绍处理的c:\temp\s1.html文件内容如下：

BeautifulSoups使用方法 - 老猿Python - CSDN博客

老猿Python

老猿Python首行

老猿Python第二行

老猿Python第三行

创建soup对象的代码如下：

>>> from bs4 import BeautifulSoup

>>> def getsoup():

fp = open(r'c:\temp\s1.html',encoding='utf-8')

soup = BeautifulSoup(fp, 'lxml')

fp.close()

print(soup)

return soup

>>> soup=getsoup()

二、访问标签及其属性数据

通过BeautifulSoup对象可以访问标签对应的html元素、并进一步访问标签的名字、属性、html元素标签对中的内容。

通过Tag标签获取HTML元素内容

Tag就是 HTML 中的一个个标签，用 BeautifulSoup 可以很方便地获取 T标签，通过标签名可以获取HTML报文中对应标签的第一个记录。注意标签识别时对大小写敏感(标签应该都是小写)。

如上面读取文件解析报文构建soap对象后，访问相关的标签的结果：

>>> soup.title

BeautifulSoups使用方法 - 老猿Python - CSDN博客

>>> soup.p

老猿Python首行

>>> soup.link

通过标签获取标签属性

通过BeautifulSoup对象的标签名的attrs属性可以访问标签的所有属性，返回的属性为一个字典，如果通过标签名加属性名的方法可以访问属性的值。如：

>>> soup.link.attrs

{'href': 'https://blog.csdn.net/LaoYuanPython/article/details/95360624', 'rel': ['canonical']}

>>> soup.link['rel']

['canonical']

>>> soup.link.name

'link'

>>>

除了读取相关数据外，还可以通过赋值进行内存数据的修改，如：

>>> soup.title = '老猿Python'

注意：

上述通过“BeautifulSoup对象.标签”去访问的数据都是html报文中第一个匹配的标签的内容；

可以通过“BeautifulSoup对象.标签.attrs”访问标签的所有属性数据，如soup.link.attrs，通过“soup.标签[“属性名”]”访问具体属性的值，如soup.link[‘rel’]。

无嵌套情况下通过标签获取标签内的文字内容

当通过标签获取到标签内容后，可以通过标签内容的string属性获取标签内的文字。由于string属性返回内容的类型为bs4.element.NavigableString，所以称获取的文本为NavigableString，如：

>>> soup.title.string

'BeautifulSoups使用方法 - 老猿Python - CSDN博客 '

>>> soup.link

>>> soup.link.string

>>> soup.h1.string

'老猿Python'

>>>

上面soup.link.string没有数据，是因为link只有标签数据而标签外无内容。我们来看看数据类型：

>>> type( soup.title.string)

>>> soup.title.string[0:10]

'BeautifulS'

>>>

标签嵌套情况下通过父标签获取标签内的文字内容，这又分为三种情况：

1)如果标签里面只有唯一的一个标签无其他内容，那么string会返回最里面嵌套标签对应的内容。如：

>>> soup.div

老猿Python首行

>>> soup.div.string

' 老猿Python首行'

>>> soup.div.p.string

' 老猿Python首行'

>>>

2)如果tag包含了1个子节点且本身标签内还有文本内容,无法确认该返回哪个文本内容，因此模块给string 的值为 None。如：

>>> soup.h2

老猿Python第二行

>>> soup.h2.string

>>> soup.h2.a

>>>

3)如果tag包含了多个子节点,string 的输出结果也是 None。

>>> soup.h3

老猿Python第三行

>>> soup.h3.string

>>> soup.h3.b

老猿Python第三行

>>> soup.h3.b.string

'老猿Python第三行'

>>>

三、嵌套标签节点访问

通过标签的contents属性，可以访问其下嵌套的所有下级HTML元素，这些该标签下的子标签对应的HTML元素放到一个content 指向的列表中。如：

>>> print(soup.body.contents)

['\n',

老猿Python

, '\n',

老猿Python首行

, '\n',

老猿Python第二行

老猿Python第三行

, '\n']

>>>

注意换行符和空行都会作为一个列表元素返回。

2.通过标签的children属性也可以访问标签下嵌套的所有HTML元素，只是其类型不是列表，而是一个迭代器。如：

>>> for i in soup.body.children:print(i,end=', ')

,

老猿Python

,

,

老猿Python首行

,

,

老猿Python第二行

老猿Python第三行

,

,

>>>

>>> type(soup.body.children)

>>>

从上述输出可以看到children与contents还是有换行符和空行。

访问嵌套标签的所有子孙节点

escendants 属性可以对标签其下所有层次的节点进行访问，而 children只能访问直接子节点，注意descendants返回的是一个生成器。

>>> type(soup.body.descendants)

>>> for i in soup.body.descendants:print(i,end=', ')

,

老猿Python

, 老猿Python,

,

老猿Python首行

,

老猿Python首行

, 老猿Python首行,

,

老猿Python第二行

老猿Python第三行

,

,

老猿Python第二行

, 老猿Python第二行, , ,

,

老猿Python第三行

, 老猿Python第三行, 老猿Python第三行, , ,

,

,

>>>

访问标签的父节点

可以通过标签的parent属性访问其直接父节点，如：

>>> soup.b.parent

老猿Python第三行

>>>

访问标签的所有祖先节点

通过标签的parents属性可以访问其所有父节点及祖先节点，该值为一个生成器，如：

>>> type(soup.b.parents)

>>> for i in soup.b.parents:print(i.name,i.string)

h3 None

div None

body None

html None

[document] None

>>>

访问标签的同父节点下的同级兄弟节点

next_sibling 属性为节点的下一个兄弟节点，previous_sibling 属性为节点的上一个兄弟节点，如果节点不存在，则返回 None，由于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。

>>> soup.b.next_sibling

>>> soup.b.pre_sibling

>>>

访问标签的同父节点下的所有同级兄弟节点

通过next_siblings 和 previous_siblings 属性可以对当前节点的所有兄弟节点迭代访问，如：

>>> for i in soup.h2.next_siblings:print(i)

老猿Python第三行

>>> for i in soup.h3.previous_siblings:print(i)

老猿Python第二行

>>>

访问标签的前后节点

通过next_element和previous_element可以访问标签的前后元素，这里的前后是指html文档中当前标签的前一个元素和后一个元素，不论标签层级，只是字符串的位置前后。并且不一定是标签，只要是独立含义的部分。如：

>>> soup.b.next_element

'老猿Python第三行'

>>> soup.b.previous_element

老猿Python第三行

>>>

访问标签的所有前后节点

通过 next_elements 和 previous_elements 的生成器就可以访问当前标签所有前面和后面的html文档解析元素。如：

>>> for n in soup.a.next_elements:

if n!=None and n.name!=None:print(n.name)

h3

b

a

>>> for n in soup.head.previous_elements:print(n.name)

None

html

None

>>>

注意部分元素可能是空行或换行符。

访问标签的所有内容

使用标签的contents属性可以访问该标签下的所有元素，如：

>>> soup.div.contents

['\n',

老猿Python第1行

, '\n',

老猿Python第2行

, '\n',

老猿Python第3行

, '\n',

LaoYuanPython第1行

LaoYuanPython第2行

LaoYuanPython第3行

, '\n']

>>> soup.h1.contents

['老猿Python第1行']

>>>

四、访问对象的所有内容

通过对象的strings属性迭代访问除标签外的所有内容，包括空行、空白行，如：

>>> for i in soup.head.strings:print(i)

.textline{color:blue;}

BeautifulSoups使用方法 - 老猿Python - CSDN博客

>>>

通过对象的stripped_strings属性迭代访问所有内容，去除空行、空白行，如：

>>> for i in soup.head.stripped_strings:print(i)

.textline{color:blue;}

BeautifulSoups使用方法 - 老猿Python - CSDN博客

>>>

本节介绍了BeautifulSoup对象的主要属性，通过这些属性可以访问特定标签和内容。