Beautiful Soup - Souping 文档页面

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

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

首先将文档转为Unicode，HTML实体转为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 解析器解析。

在研究 HTML 页面的不同组件之前，让我们首先了解 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，这取决于它在树结构中的位置。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。

假设网页如下图所示 −

其中翻译成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>

简单来说，对于上面的 html 文档，我们有一个 html 树结构如下 −