1 '''
2 对象的种类3 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。4 所有对象可以归纳为4种: Tag , NavigableString , BeautifulSoup , Comment 。5 '''
6
7 from bs4 importBeautifulSoup8
9 soup = BeautifulSoup('Extremely bold','lxml')10 tag =soup.b11 type(tag)12 #
13
14
15 #TAG.NAME
16 tag17 #Extremely bold
18 tag.name19 #'b'
20 tag.name = 'blockquote'
21 tag22 #
Extremely bold
23 '''
24 即tag首的''内,就是这个tag的名称.25 如果改变了tag的name,那将影响所有通过当前Beautiful Soup对象生成的HTML文档26 '''
27 tag.name = 'b'
28
29
30 #Attributes
31 '''一个tag可以有多个属性。如tag ,他有一个"class"属性,值为"boldest"。'''
32 #tag属性的操作方法与字典相同。
33 tag['class']34 #u'boldest'
35 tag.attrs #“点”取属性
36 #{u'class':u'boldest'}
37 '''
38 tag的属性可以被添加、删除或修改。tag的属性操作方法与字典一样。39 '''
40 tag['class'] = 'verybold' #属性查看
41 tag['id'] = 1 #属性查看
42 tag43 #
Extremely bold
44
45 del tag['class'] #属性删除
46 del tag['id'] #属性删除
47 tag48 #
Extremely bold
49
50 tag['class'] #删除属性后查看,报错
51 #KeyError: 'class'
52 print(tag.get('class'))53 #None
54
55
56 #多值属性
57 '''
58 最常见的多值属性是class,还有一些多值属性如 rel, rev, accept-charset, headers,accesskey等。59 多值属性在 BeautifulSoup 中的返回类型是list:60 '''
61 css_soup = BeautifulSoup('
62 css_soup.p['class']63 #["body", "skrikeout"]
64
65 css_soup = BeautifulSoup('
68 '''
69 (接上一行注释)而如果某个属性看上去有多个值,但在任何版本的HTML定义中都没有被定义为多值属性,70 那么BeautifulSoup会将这个属性作为字符串返回。如下↓71 '''
72 id_soup = Beautiful('
75 '''
76 将tag转换为字符串时,多值属性会合并为一个值77 '''
78 rel_soup = BeautifulSoup('
Back to the homepage
')79 rel_soup.a['rel']80 #['index']81 rel_soup.a['rel'] = ['index','contents']#给a标签的rel属性添加值,转化在html里就是空格连接
82 print(rel_soup.p)83 #
Back to the homepage
84 '''
85 如果转换的文档是XML格式,那么tag中不包含多值属性86 '''
87 xml_soup = BrautifulSoup('
88 xml_soup.p['class'] #xml里的class属性值输出出来仍然是(如非多值属性的)字符串形式,而非列表
89 #u'body strikeout'
90
91
92 #可以遍历的字符串
93 '''
94 字符串常被包含在tag内,BeautifulSoup用 NavigableString 类来包装tag中的字符串:95 '''
96 tag.string97 #u'Extremely bold'
98 type(tag.string)99 #
100 '''
101 一个 NavigableString 字符串与Python中的Unicode字符串相同,102 并且还支持包含在遍历文档树和搜索文档树中的一些特性,103 通过unicode()方法可以直接将 NavigableString 对象转换成 Unicode 字符串:104 '''
105 unicode_string =unicode(tag.string)106 unicode_string107 #u'Extremely bold'
108 type(unicode_string)109 #
110 '''
111 tag中包含的字符串不能编辑,但是可以被替换成其它的字符串,用replace_with()方法:112 '''