Beautiful Soup - 汤页面

在前面的代码示例中，我们使用字符串方法通过漂亮的构造函数解析文档。另一种方法是通过打开文件句柄传递文档。

from bs4 import BeautifulSoup
with open("example.html") as fp:
   soup = BeautifulSoup(fp)
soup = BeautifulSoup("<html>data</html>")

首先将文档转换为 Unicode，然后将 HTML 实体转换为 Unicode 字符：</p> 

import bs4
html = '''<b>tutorialspoint</b>, <i>&web scraping &data science;</i>'''
soup = bs4.BeautifulSoup(html, 'lxml')
print(soup)

输出

<html><body><b>tutorialspoint</b>, <i>&web scraping &data science;</i></body></html>

BeautifulSoup 然后使用 HTML 解析器解析数据，或者您明确地告诉它使用 XML 解析器进行解析。

HTML 树结构

在研究 HTML 页面的不同组件之前，让我们首先了解 HTML 树结构。

HTML 树结构

文档树中的根元素是 html，它可以有父元素、子元素和兄弟元素，这由它在树结构中的位置决定。要在 HTML 元素、属性和文本之间移动，您必须在树结构中的节点之间移动。

让我们假设网页如下所示 -

教程点在线图书馆

转换为 html 文档如下 -

<html><head><title>TutorialsPoint</title></head><h1>Tutorialspoint Online Library</h1><p<<b>It's all Free</b></p></body></html>

这仅仅意味着，对于上面的 html 文档，我们有一个 html 树结构，如下所示 -

HTML文档