Python网络爬虫与信息提取入门<9.>

Part24 :2 基于bs4库的HTML内容便利方法

下面我们介绍一下基于bs4库的HTML内容便利方法。我们首先要回顾一下之前的demo.html例子，

图片发自App

因为在我们的这部分讲解中要频繁的使用这个例子。我们可以用request库来获取demo相关的链接内容，并且使用demo变量来表示其中的HTML代码。

图片发自App

如果我们把HTML代码做一个结构化的设计，我们可以发现事实上这个demo配置是一个具有树形结构的一个文本信息。我们看到这里边有很多的标签，标签标明了信息结构的逻辑关系。

但是可能看不出来这样的标签中基本的树形结构，我们把它换一个方位。

图片发自App

我们看到最根的标签是HTML，它包含了两个平行标签head和body，进而将其他的所有标签组织起来，我们形成了标签树形结构。事实上任何一个HTML和HTML格式的文件都是这样的树形结构。这样一个树形结构，其中形成了三种遍历方法：

图片发自App

首先一种是沿着树的下行遍历：也就是说从根节点向叶子节点遍历的方向。

另外一种是从叶子节点向根节点实现的上行遍历方式。

还有一种是在平级节点之间互相遍历的平行遍历方式。

由于BeautifulSoup库是对标签树的功能的遍历集合，所以我们可以将所有的遍历功能分为：上行遍历、下行遍历和平行遍历这三种遍历方式来组织。

下面我们分别来介绍一下这几种遍历方法：

图片发自App

标签树的下行遍历一共包含三个属性，我们可以用.contents获得一个节点的子节点列表，我们可以将一个标签的所有儿子节点存入一个列表并返回。

.childdren和.contents类似，他是子节点的迭代类型。他能够循环遍历儿子的节点信息。

第三个呢，我们可以获得子孙节点的迭代类型，也就是说contents跟children只获得当前节点的下一层的节点信息，而desecendants可以获得一个节点后续的所有节点的信息用于遍历。

下面我们对这些类型做一个介绍，我们启动IDLE：

我们首先用demo来做这锅汤：

图片发自App

好，我们看一下head标签：

图片发自App

这里边给出了一个标签，他是head。我们看他的儿子节点，我们可以用.contents获得：

图片发自App

我们看到head标签中， 他的儿子节点是title标签，那么title标签被放到一个列表中。由于.contents返回的类型是列表，我们可以用列表的方式对其中的信息进行检索。

下面我们看一下body标签的.contents信息：

图片发自App

我们看到在列表中有很多的元素，每个元素分别对应body的不同儿子信息。这里面我们需要注意：对于一个标签的儿子节点并不仅仅包括标签节点，也包括字符串节点。比如像\n的回车，他也是一个body标签的儿子节点类型。我们可以用len函数获得儿子节点的数量，我们发现body的儿子节点有五个。

图片发自App

我们想检索其中的第2个函数，也就是1，我们可以用列表类型的下标来获取它的相关元素：

我们看到1呢输出了P标签的信息。除了.contents之外，可以使用.children和.descendants分别对儿子节点和所有后续的子孙节点进行遍历。基本的结构我们使用for、in的方式来实现，这里面我们就不一一举例了。

图片发自App

标签树可以进行上行遍历。上行遍历的两个属性分别是：

图片发自App

.parent返回节点的父亲标签。.parents返回节点先辈标签的。.parents不仅包含当前节点的直接父亲也包含父亲的父亲甚至更先辈的内容。它是一个迭代类型，可以用循环的方式来做代码的使用。下面我们看一下例子：

我们启动IDLE，首先我们还是煲一锅汤：

图片发自App

好，下面我们看一下title的标签的父亲：

我们看到我们可以用soup.title定位title标签，那么它的标签是head标签。

我们看一下heml标签的父亲：

图片发自App

我们看到由于html是html文本的最高级标签，那么他的父亲就是他的自己。

那么soup本身是一种特殊的标签，那么他的父亲是谁呢？我们看一下：

图片发自App

没有显示，也就是说明soup的父亲是空的。