什么是BeautifulSoup.doc

什么是BeautifulSoup？ Beautiful Soup?是用Python写的一个HTML/XML的解析器，它可以很好的处理不规范标记并生成剖析树(parse tree)。 它提供简单又常用的导航（navigating），搜索以及修改剖析树的操作。它可以大大节省你的编程时间。 直接看例子： #!/usr/bin/python# -*- coding: utf-8 -*- from bs4 import BeautifulSoup html_doc = htmlheadtitleThe Dormouses story/title/headbodyp class=titlebThe Dormouses story/b/p p class=storyOnce upon a time there were three little sisters; and their names werea href=/elsie class=sister id=link1Elsie/a,a href=/lacie class=sister id=link2Lacie/a anda href=/tillie class=sister id=link3Tillie/a;and they lived at the bottom of a well./p p class=story.../p soup = BeautifulSoup(html_doc) print soup.title print print soup.title.string print soup.p print soup.a print soup.find_all(a) print soup.find(id=link3) print soup.get_text() 结果为： titleThe Dormouses story/titletitleThe Dormouses storyp class=titlebThe Dormouses story/b/pa class=sister href=/elsie id=link1Elsie/a[a class=sister href=/elsie id=link1Elsie/a, a class=sister href=/lacie id=link2Lacie/a, a class=sister href=/tillie id=link3Tillie/a]a class=sister href=/tillie id=link3Tillie/a The Dormouses storyThe Dormouses storyOnce upon a time there were three little sisters; and their names wereElsie,Lacie andTillie;and they lived at the bottom of a well.... 可以看出：soup 就是BeautifulSoup处理格式化后的字符串，soup.title 得到的是title标签，soup.p ?得到的是文档中的第一个p标签，要想得到所有标签，得用find_all 函数。find_all 函数返回的是一个序列，可以对它进行循环，依次得到想到的东西. get_text() 是返回文本,这个对每一个BeautifulSoup处理后的对象得到的标签都是生效的。你可以试试?print soup.p.get_text() 其实是可以获得标签的其他属性的，比如我要获得a标签的href属性的值，可以使用 print soup.a[href],类似的其他属性，比如class也是可以这么得到的（soup.a[class]）。 特别的，一些特殊的标签，比如head标签，是可以通过soup.head 得到，其实前面也已经说了。 如何获得标签的内容数组？使用contents 属性就可以 比如使用?print soup.head.contents，就获得了head下的所有子孩子，以列表的形式返回结果， 可以使用 [num] ?的形式获得 ,获得标签，使用.name 就可以。 获取标签的孩子，也可以使用children，但是不能print soup.head.children 没有返回列表，返回的是?listiterator object at 0x108e6d150, 不过使用list可以将其转化为列表。当然可以使用for 语句遍历里面的孩子。 关于string属性，如果超过一个标签的话，那么就会返回None，否则就返回具体的字符串print soup.title.string 就返回了?The