基于BS4的遍历方法及BS4库的HTML格式化和编码

一、基于BS4的遍历方法

1.html基本格式

2.便签树的遍历方法

（1）标签树的下行遍历

属性	说明
.contents	子节点的列表，将所有儿子节点存入列表
.children	子节点的迭代类型，与.content类似，用于循环遍历儿子节点
.descendants	子孙节点的迭代类型，包含所有子孙节点，用于循环遍历

遍历儿子节点

for child in soup.body.children:

print(child)

遍历子孙节点
for child in soup.body.descendants
print(child)

（2）标签树的上行遍历

属性	说明
.parent	节点的父亲标签
.parents	节点先辈标签的迭代类型，用于循环遍历先辈节点

（3）标签树的平行遍历

属性	说明
.net_sibling	返回按照HTML文本顺序的下一个平行节点标签
.previous_sibling	返回按照HTML文本顺序的上一个平行节点标签
.next_siblings	迭代类型，返回按照HTML文本顺序的后续所有平行节点标签
.previous_siblings	迭代类型，返回按照HTML文本顺序的前续所有平行节点标签

二、BS4库的HTML格式化和编码

1.bs4库的prettify()方法

print(soup.a.prettify())

2.编码
bs4会将所有读取到的文件或字符串都转换为utf-8格式，这是一种国际通用的编码语言，可以很好支持中文等第三方语言

>>>soup = BeautifulSoup("< p >中文< /p >","html.praser")
>>>soup.p.string
'中文'
>>>print(soup.p.prettify())
< p > 
 中文
 </p>