该文介绍了如何使用Python的BeautifulSoup库解析HTML页面，包括提取head和body标签的内容，获取特定id的标签以及用正则表达式查找中文字符。在处理嵌套标签时，指出了soup.string的限制，并提供了替代的解决方法。
前言
一、实验内容
假设有一个简单的HTML 页面如下所示，请保存为字符串，完成后面的计算要求。
二、实验要求
（1）打印head 标签的内容；
（2）获取body 标签的内容；
（3）获取id 为China 的标签对象
（4）获取并打印HTML 页面中的中文字符。
三、程序实现
1.代码
import re
from bs4 import BeautifulSoup
r='<html><head><title>simple test</title></head><body><p id="china">中国，<b>你好！</b>.</p><p id="world">世界，<b>大同！</b>.</p></body></html>'
soup=BeautifulSoup(r,"html.parser")
print(soup.head)
print(soup.body)
print(soup.find(id='china'))
list=[]
for i in r:
char =re.findall("[\u4e00-\u9fa5]+",i)
list+=char
print(list)
'''
如果想head标签和body标签想单纯输出文字就这样
data1=soup.find("head")
data2=soup.find("body")
print(data1.text)
print(data2.text)
如果最后也单纯想输出文字就这样
print(" ".join(list))
'''
2.实验结果（包括输入数据和输出结果）
1.打印标签内容
2.单纯输出标签中字符
四、总结
- 问题：soup.string无法在标签嵌套的情况下获取相应的内容，只能返回none 因此如果需要获取并打印HTML 页面中的中文字符，只能通过其他方式获取
- 解决方法： 将字符串中所有内容通过for循环进行比对，找到对应需要内容并且输出。
扫一扫
3358
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
