上一篇文章介绍了 BeautifulSoup 的安装以及基本对象类型。
本次介绍使用 bs4 对 HTML 文档树的遍历。
先把本文用到的例子贴上：
str = """
<!DOCTYPE html>
<html>
<head><title>bs4 test</title></head>
<body>
<h1>bs4 test</h1>
<div>
<ul>
<li><a>PHP</a></li>
<li><a>Python</a></li>
<li><a>Golang</a></li>
</ul>
</div>
<p><span>a</span><i>b</i><em></em></p>
</body>
</html>
"""
文档树的遍历：
文档树的遍历包括以下四部分：
- 子节点
- 父节点
- 兄弟节点
- 回退和前进
一、子节点
一个标签可能包含多个字符串或者其他标签，这些标签都属于子节点。要获取子节点,首先需要得到一个 Tag 对象:
获取一个 Tag 对象最简单的方式是用 bs4 对象点上要获取的标签的名字,同时支持链式调用。
bs4 = BeautifulSoup(str, "lxml")
div_tag = bs4.div
ul_tag = bs4.div.ul
.contents ：
tag 对象的 .contents 属性可以将 tag 的子节点以列表的方式输出,不包含孙节点:
ul_tag.contents
# ['\n', <li><a>PHP</a></li>, '\n', <li><a>Python</a></li>, '\n', <li><a>Golang</a></li>, '\n']
字符串没有 .contents 属性,因为字符串没有子节点。
.children：
.children 生成器，可以对 tag 的直接子节点进行循环:
for child in ul_tag.children:
print(child)
# <li><a>PHP</a></li> <li><a>Python</a></li> <li><a>Golang</a></li>
.descendants：
.descendants 属性可以对所有 tag 的子孙节点进行递归循环:
for child in ul_tag.descendants:
print(child)
.string：
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。
title_tag = bs4.title
print(title_tag.string) # bs4 test
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（也就是 title 节点）的 .string 结果相同。
head_tag = bs4.head
print(head_tag.string) # bs4 test
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,所以输出结果是 None：
print(div_tag.string) # None
.strings 和 stripped_strings：
对于上边 tag 包含了多个子节点的问题，可以使用 .strings 来循环获取：
for str in div_tag.strings:
print(str)
# PHP Python Golang
.stripped_strings 可以去除多余空白内容。
二、父节点
.parent：
.parent 属性来获取某个标签或字符串的父节点，比如：
print(title_tag.parent) # <head><title>bs4 test</title></head>
h1_tag = bs4.h1
print(h1_tag.string.parent) # <h1>bs4 test</h1>
.parents：
.parents 属性可以递归得到元素的所有父辈节点。
for p in h1_tag.parents:
print(p.name)
# body html [document]
三、兄弟节点
首先先看一下例子中的这一行：
#<p><span>a</span><i>b</i><em>c</em></p>
p_tag = bs4.p
print(p_tag.prettify())
#<p>
# <span>
# a
# </span>
# <i>
# b
# </i>
# <em>
# c
# </em>
#</p>
<span><i><em>都是<p>的子节点，所以这三个可以被称为兄弟节点。
.next_sibling 和 .previous_sibling：
通过以上两个属性可以查询兄弟节点。
print(p_tag.i.next_sibling) # <em>c</em>
print(p_tag.i.previous_sibling) # <span>a</span>
要注意的点：
在这里<span>没有 previous_sibling 属性，因为它是同级节点中的第一个。相反，<em>没有 next_sibling 属性。
字符串“a,b,c”不是兄弟节点,因为它们的父节点不同。
由于我们上边的例子是写的一行，在实际中 .next_sibling 和 .previous_sibling 属性通常是字符串或空白。
如果示例是如下方式则 .next_sibling 和 .previous_sibling 获取到的是空白。
<p>
<span>a</span>
<i>b</i>
<em>c</em>
</p>
.next_siblings 和 .previous_siblings：
.next_siblings 和 .previous_siblings 属性可以对当前节点的兄弟节点迭代输出。
for sibling in p_tag.span.next_siblings:
print(repr(sibling))
#'\n'
#<i>b</i>
#'\n'
#<em>c</em>
#'\n'
for prev in p_tag.em.previous_siblings:
print(repr(prev))
#'\n'
#<i>b</i>
#'\n'
#<span>a</span>
#'\n'
四、回退和前进
HTML解析器把文档字符串转换成一连串的事件:
打开<html>标签 -> 打开<head>标签 -> 打开<title>标签 -> 添加一段字符串 -> 关闭<title>标签 ...
Beautiful Soup提供了重现解析器初始化过程的方法。
.next_element 和 .previous_element：
.next_element 属性指向解析过程中下一个被解析的对象(字符串或tag)。
print(h1_tag.next_element) # bs4 test
因为这个结果是在<h1>标签被解析之后的解析内容，所以输出字符串。
print(h1_tag.next_element.previous_element) # <h1>bs4 test</h1>
h1_tag.next_element 输出的是“bs4 test”字符串，因为 .previous_element 指向当前被解析的对象的前一个解析对象，所以这里输出<h1>bs4 test</h1>。
.next_elements 和 .previous_elements：
通过 .next_elements 和 .previous_elements 的迭代器可以向前或向后访问文档的解析内容。
str2 = "<p><span>a</span><i>b</i><em>c</em></p>"
bs42 = BeautifulSoup(str2, "lxml")
for element in bs42.p.next_elements:
print(element)
# <span>a</span>
# a
# <i>b</i>
# b
# <em>c</em>
# c
网友评论