BeautifulSoup 四大对象种类

最新推荐文章于 2023-10-22 09:29:02 发布

alexander068

最新推荐文章于 2023-10-22 09:29:02 发布

阅读量2.4k

点赞数 1

分类专栏： python

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/alexander068/article/details/113762158

版权

python 专栏收录该内容

14 篇文章

订阅专栏

本文详细介绍了BeautifulSoup库在解析HTML文档中的应用，包括Tag、NavigableString、BeautifulSoup和Comment四种基本对象。通过实例展示了如何获取和操作HTML标签、属性及内容，强调了其相对于正则表达式的便利性。同时，提到了处理HTML注释的方法及其可能带来的影响。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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 ---> HTML 中的一个个标签
NavigableString ---> 标签内部的文字，可比遍历字符串
BeautifulSoup ---> 一种特殊的Tag
Comment ---> 一种特殊的NavigableString

（1）Tag

Tag 是什么？通俗点讲就是 HTML 中的一个个标签，例如

1

2

3

<title>The Dormouse's story</title>

<a class="sister" href="http://example.com/elsie" id="link1">Elsie</a>

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 Beautiful Soup 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

1

2

3

4

5

6

7

8

9

10

11

print soup.title

#<title>The Dormouse's story</title>

print soup.head

#<head><title>The Dormouse's story</title></head>

print soup.a

#<a class="sister" href="http://example.com/elsie" id="link1"></a>

print soup.p

#<p class="title" name="dromouse"><b>The Dormouse's story</b></p>

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

1 2	`print` `type(soup.a)` `#<class 'bs4.element.Tag'>`

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

1

2

3

4

5

6

name

print soup.name

print soup.head.name

#[document]

#head

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。

1

2

3

4

attrs

print soup.p.attrs

#{'class': ['title'], 'name': 'dromouse'}

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

# 以下4种写法等价：

对字典的访问，

print(soup.p.attrs['class'])

print(soup.p.attrs.get('class'))

可省略attrs的写法。

print(soup.p['class'])

print(soup.p.get('class'))

输出结果都是：

#['title']

1

2

3

4

print soup.p['class']

#['title']

print(soup.p.attrs['class'])

#['title']

还可以这样，利用get方法，传入属性的名称，二者是等价的

1 2	`print` `soup.p['class']` `#['title']`

还可以这样，利用get方法，传入属性的名称，二者是等价的

1 2	`print` `soup.p.get('class')` `#['title']`

我们可以对这些属性和内容等等进行修改，例如

1

2

3

soup.p['class']="newClass"

print soup.p

#<p class="newClass" name="dromouse"><b>The Dormouse's story</b></p>

还可以对这个属性进行删除，例如

1

2

3

del soup.p['class']

print soup.p

#<p name="dromouse"><b>The Dormouse's story</b></p>

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

1 2	`print` `soup.p.string` `#The Dormouse's story`

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。

1 2	`print` `type(soup.p.string)` `#<class 'bs4.element.NavigableString'>`

来检查一下它的类型

1 2	`print` `type(soup.p.string)` `#<class 'bs4.element.NavigableString'>`

（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

1

2

3

4

5

6

print type(soup.name)

#<type 'unicode'>

print soup.name

# [document]

print soup.attrs

#{} 空字典

（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

1

2

3

print soup.a

print soup.a.string

print type(soup.a.string)

运行结果如下

1

2

3

<a class="sister" href="http://example.com/elsie" id="link1"></a>

Elsie

<class 'bs4.element.Comment'>

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

1 2	`if` `type(soup.a.string)==bs4.element.Comment:` `print` `soup.a.string`

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。

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。