Beautiful Soup4学习笔记（二）：对象的种类

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 , NavigableString , BeautifulSoup , Comment 。

1:Tag

Tag对象与XML或HTML原生文档中的tag相同：

>>> soup=BeautifulSoup('Extremely bold')
>>> tag = soup.b 
>>> tag 
Extremely bold
>>> type(tag) 

Tag有很多方法和属性.现在介绍一下tag中最重要的属性: name和attributes

Name

每个tag都有自己的名字，通过 .name来获取

>>> tag.name
'b'

如果改变了tag的name，那将影响所有通过当前Beautiful Soup对象生成的HTML文档：

>>> tag.name = 'blockquote' 
>>> tag
Extremely bold

Attributes

一个tag可能有很多个属性. tag 有一个 “class” 的属性,值为 “boldest” .
tag的属性的操作方法与字典相同：

>>> tag['class'] 
['boldest']

也可以直接“点”取属性，比如： .attrs：

>>> tag.attrs
{'class': ['boldest']}

tag的属性可以被添加,删除或修改. 再说一次, tag的属性操作方法与字典一样

>>> tag['class'] = 'verybold' 
>>> tag['id'] = 1 
>>> tag
Extremely bold
>>> del tag['class'] 
>>> del tag['id'] 
>>> tag
Extremely bold
>>> tag['class']
Traceback (most recent call last):
  File "", line 1, in 
    tag['class']
  File "/usr/local/lib/python3.5/site-packages/bs4/element.py", line 997, in __getitem__
    return self.attrs[key]
KeyError: 'class'
>>> print(tag.get('class'))
None

多值属性

最常见的多值的属性是 class (一个tag可以有多个CSS的class). 还有一些属性 rel , rev , accept-charset , headers , accesskey . 在Beautiful Soup中多值属性的返回类型是list：

>>> css_soup = BeautifulSoup('
')  
>>> css_soup.p['class']   
['body', 'strikeout']
>>> css_soup = BeautifulSoup('
')  
>>> css_soup.p['class']   
['body']

如果某个属性看起来好像有多个值,但在任何版本的HTML定义中都没有被定义为多值属性,那么Beautiful Soup会将这个属性作为字符串返回

>>> id_soup = BeautifulSoup('
') 
>>> id_soup.p['id'] 
'my id'

将tag转换成字符串时，多值属性会合并为一个值

>>> rel_soup = BeautifulSoup('
Back to the homepage
') 
>>> rel_soup.a['rel'] 
['index']
>>> rel_soup.a['rel'] = ['index','contents'] 
>>> print(rel_soup.p) 
Back to the homepage

如果转换的文档时XML格式，那么tag中不包含多值属性

>>> xml_soup = BeautifulSoup('
', 'xml')  
>>> xml_soup.p['class'] 
'body strikeout'

2:可遍历的字符串

字符串常被包含在tag内.Beautiful Soup用 NavigableString 类来包装tag中的字符串:

>>> tag.string
'Extremely bold'
>>> type(tag.string)

一个 NavigableString 字符串与Python中的Unicode字符串相同,并且还支持包含在 遍历文档树 和 搜索文档树 中的一些特性. 通过 unicode() 方法可以直接将 NavigableString 对象转换成Unicode字符串:

unicode_string = unicode(tag.string)
unicode_string
# u'Extremely bold'
type(unicode_string)
# 

上面的转换，python3.5好像不支持，倒是支持转化为string：

>>> str(tag.string) 
'Extremely bold'
>>> type(str(tag.string))

tag中包含的字符串不能编辑，但是可以被替换成其它的字符串，用replace_with()方法：

>>> tag.string.replace_with("No longer bold") 
'Extremely bold'
>>> tag
No longer bold

NavigableString 对象支持 遍历文档树 和 搜索文档树 中定义的大部分属性, 并非全部.尤其是,一个字符串不能包含其它内容(tag能够包含字符串或是其它tag),字符串不支持 .contents 或 .string 属性或 find() 方法.
如果想在Beautiful Soup之外使用 NavigableString 对象,需要调用 unicode() 方法,将该对象转换成普通的Unicode字符串,否则就算Beautiful Soup的方法已经执行结束,该对象的输出也会带有对象的引用地址.这样会浪费内存.

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,它支持 遍历文档树 和 搜索文档树 中描述的大部分的方法.

因为 BeautifulSoup 对象并不是真正的HTML或XML的tag,所以它没有name和attribute属性.但有时查看它的 .name 属性是很方便的,所以 BeautifulSoup 对象包含了一个值为 “[document]” 的特殊属性 .name

>>> soup.name
'[document]'

4:注释及特殊字符串(Comment)

Tag , NavigableString , BeautifulSoup 几乎覆盖了html和xml中的所有内容,但是还有一些特殊对象.容易让人担心的内容是文档的注释部分:

>>> markup = ""
>>> soup = BeautifulSoup(markup)
>>> comment = soup.b.string
>>> type(comment)

Comment对象是一个特殊类型的NavigableString对象：

>>> comment 
'Hey, buddy. Want to buy a used parser?'

但是当它出现在HTML文档中时, Comment 对象会使用特殊的格式输出:

>>> print(soup.b.prettify())

 

Beautiful Soup中定义的其它类型都可能会出现在XML的文档中: CData , ProcessingInstruction , Declaration , Doctype .与 Comment 对象类似,这些类都是 NavigableString 的子类,只是添加了一些额外的方法的字符串独享.下面是用CDATA来替代注释的例子:

>>> from bs4 import CData
>>> cdata = CData("A CDATA block")
>>> comment.replace_with(cdata) 
'Hey, buddy. Want to buy a used parser?'
>>> print(soup.b.prettify())