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：
<!DOCTYPE html>
<html lang="zh-CN">
<head>
<style type="text/css"> .textline{color:blue;}</style>
<link href="https://blog.csdn.net/LaoYuanPython/article/details/95360624" rel="canonical"/>
<title>BeautifulSoups使用方法 - 老猿Python - CSDN博客 </title></head>
<body>
<h1>老猿Python</h1>
<div><p class="textline" name="line1"> 老猿Python首行</p></div>
<div>
<h2>老猿Python第二行<a href="https://blog.csdn.net/LaoYuanPython" /> </h2>
<h3><b>老猿Python第三行</b><a href="https://blog.csdn.net/LaoYuanPython" /> </h3>
</div>
</body></html>
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
<title>BeautifulSoups使用方法 - 老猿Python - CSDN博客 </title>
>>> soup.p
<p class="textline" name="line1"> 老猿Python首行</p>
>>> soup.link
<link href="https://blog.csdn.net/LaoYuanPython/article/details/95360624" rel="canonical"/>
- 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
<link href="https://blog.csdn.net/LaoYuanPython/article/details/95360624" rel="canonical"/>
>>> 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)
<class 'bs4.element.NavigableString'>
>>> 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
<div><p class="textline" name="line1"> 老猿Python首行</p></div>
>>> 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
<h2>老猿Python第二行<a href="https://blog.csdn.net/LaoYuanPython"></a> </h2>
>>> soup.h2.string
>>> soup.h2.a
<a href="https://blog.csdn.net/LaoYuanPython"></a>
>>>
3)如果tag包含了多个子节点,string 的输出结果也是 None。
>>> soup.h3
<h3><b>老猿Python第三行</b><a href="https://blog.csdn.net/LaoYuanPython"></a> </h3>
>>> soup.h3.string
>>> soup.h3.b
<b>老猿Python第三行</b>
>>> 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', <h1>老猿Python</h1>, '\n', <div><p class="textline" name="line1"> 老猿Python首行</p></div>, '\n', <div>
<h2>老猿Python第二行<a href="https://blog.csdn.net/LaoYuanPython"></a> </h2>
<h3><b>老猿Python第三行</b><a href="https://blog.csdn.net/LaoYuanPython"></a> </h3>
</div>, '\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=', ')
, <h1>老猿Python</h1>,
, <div><p class="textline" name="line1"> 老猿Python首行</p></div>,
, <div>
<h2>老猿Python第二行<a href="https://blog.csdn.net/LaoYuanPython"></a> </h2>
<h3><b>老猿Python第三行</b><a href="https://blog.csdn.net/LaoYuanPython"></a> </h3>
</div>,
,
>>>
>>> type(soup.body.children)
<class 'list_iterator'>
>>>
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)
<class 'generator'>
>>> for i in soup.body.descendants:print(i,end=', ')
, <h1>老猿Python</h1>, 老猿Python,
, <div><p class="textline" name="line1"> 老猿Python首行</p></div>, <p class="textline" name="line1"> 老猿Python首行</p>, 老猿Python首行,
, <div>
<h2>老猿Python第二行<a href="https://blog.csdn.net/LaoYuanPython"></a> </h2>
<h3><b>老猿Python第三行</b><a href="https://blog.csdn.net/LaoYuanPython"></a> </h3>
</div>,
, <h2>老猿Python第二行<a href="https://blog.csdn.net/LaoYuanPython"></a> </h2>, 老猿Python第二行, <a href="https://blog.csdn.net/LaoYuanPython"></a>, ,
, <h3><b>老猿Python第三行</b><a href="https://blog.csdn.net/LaoYuanPython"></a> </h3>, <b>老猿Python第三行</b>, 老猿Python第三行, <a href="https://blog.csdn.net/LaoYuanPython"></a>, ,
,
,
>>>
- 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
<h3><b>老猿Python第三行</b><a href="https://blog.csdn.net/LaoYuanPython"></a> </h3>
>>>
- 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)
<class 'generator'>
>>> 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
<a href="https://blog.csdn.net/LaoYuanPython"></a>
>>> 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)
<h3><b>老猿Python第三行</b><a href="https://blog.csdn.net/LaoYuanPython"></a> </h3>
>>> for i in soup.h3.previous_siblings:print(i)
<h2>老猿Python第二行<a href="https://blog.csdn.net/LaoYuanPython"></a> </h2>
>>>
- 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
<h3><b>老猿Python第三行</b><a href="https://blog.csdn.net/LaoYuanPython"></a> </h3>
>>>
- 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', <h1 class="t1" id="l1" name="line1">老猿Python第1行</h1>, '\n', <h2 class="t2" id="l2" name="line2">老猿Python第2行</h2>, '\n', <h3 class="t3" id="l3" name="line3">老猿Python第3行</h3>, '\n', <div>
<h1 class="t1" id="l4" name="line4">LaoYuanPython第1行</h1>
<h2 class="t2" id="l5" name="line5">LaoYuanPython第2行</h2>
<h3 class="t3" id="l6" name="line6">LaoYuanPython第3行</h3>
</div>, '\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。
老猿Python，跟老猿学Python!
博客地址：https://blog.csdn.net/LaoYuanPython
老猿Python博客文章目录：https://blog.csdn.net/LaoYuanPython/article/details/98245036
请大家多多支持，点赞、评论和加关注！谢谢！
