python爬虫beautifulsoup4系列4-子节点
python爬虫beautifulsoup4系列4-子节点
前言
很多时候我们无法直接定位到某个元素，我们可以先定位它的父元素，通过父元素来找子元素就比较容易，简单一点来说就是通过父亲找儿子。
一、子节点
1.以博客园首页的摘要为例：<div class="c_b_p_desc">这个tag为起点
2.那么div这个tag就是父节点
3."摘要: 前言 本篇详细。。。"这个string就是上面div的子节点（string通常看成是一个tag的子节点）
4."<a class="c_b_p_desc_readmore" href="http://www.cnblogs.com/yoyoketang/p/6906558.html">阅读全文</a>"这个也是div的子节点
二、.contents
1.tag对象contents可以获取所有的子节点，返回的是list
2.len()函数统计子节点的个数
3.通过下标可以取出对应的子节点
# coding:utf-8
from bs4 import BeautifulSoup
import requests
r = requests.get("http://www.cnblogs.com/yoyoketang/")
# 请求首页后获取整个html界面
blog = r.content
# 用html.parser解析html
soup = BeautifulSoup(blog, "html.parser")
# find方法查找页面上第一个属性匹配的tag对象
tag_soup = soup.find(class_="c_b_p_desc")
# len函数获取子节点的个数
print len(tag_soup.contents)
# 循环打印出子节点
for i in tag_soup.contents:
print i
# 通过下标取出第1个string子节点
print tag_soup.contents[0]
# 通过下标取出第2个a子节点
print tag_soup.contents[1]三、.children
1.点children这个生成的是list对象，跟上面的点contents功能一样
2.只是这里是list对象，就只能for循环读出了，不能通过下标获取
（一般上面那个contents用的比较多，可能children性能更快吧，我猜想的嘿嘿！）
四、.descendants
1.上面的contents只能获取该元素的直接子节点，如果这个元素的子节点又有子节点（也就是孙节点了），这时候获取所有的子孙节点就可以用.descendants方法
2.获取div的子节点有两个，子孙节点有三个，因为a标签下还有个“阅读全文”这个string子节点
五、爬取博客首页的标签内容
1.博客左侧的标签并不是这个链接：http://www.cnblogs.com/yoyoketang/
2.通过抓包可以看到，这个url地址是：http://www.cnblogs.com/yoyoketang/mvc/blog/sidecolumn.aspx?blogApp=yoyoketang
2.可以先定位父元素：<div class="catListTag">
六、参考代码：
# coding:utf-8
from bs4 import BeautifulSoup
import requests
r = requests.get("http://www.cnblogs.com/yoyoketang/mvc/blog/sidecolumn.aspx?blogApp=yoyoketang")
# 请求首页后获取整个html界面
blog = r.content
# 用html.parser解析html
soup = BeautifulSoup(blog, "html.parser")
tag_soup = soup.find(class_="catListTag")
# print body.prettify()
ul_soup = tag_soup.find_all("a")
print ul_soup
for i in ul_soup:
print i.string
腾讯云开发者
