美しいスープ-オブジェクトの種類

htmlドキュメントまたは文字列をbeautifulsoupコンストラクターに渡すと、beautifulsoupは基本的に複雑なhtmlページをさまざまなPythonオブジェクトに変換します。以下では、4つの主要な種類のオブジェクトについて説明します。

  • Tag

  • NavigableString

  • BeautifulSoup

  • Comments

タグオブジェクト

HTMLタグは、さまざまなタイプのコンテンツを定義するために使用されます。BeautifulSoupのタグオブジェクトは、実際のページまたはドキュメントのHTMLまたはXMLタグに対応します。

>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup('<b class="boldest">TutorialsPoint</b>')
>>> tag = soup.html
>>> type(tag)
<class 'bs4.element.Tag'>

タグには多くの属性とメソッドが含まれており、タグの2つの重要な機能はその名前と属性です。

名前(tag.name)

すべてのタグには名前が含まれており、サフィックスとして「.name」を介してアクセスできます。tag.nameは、タグのタイプを返します。

>>> tag.name
'html'

ただし、タグ名を変更すると、BeautifulSoupによって生成されるHTMLマークアップにも同じことが反映されます。

>>> tag.name = "Strong"
>>> tag
<Strong><body><b class="boldest">TutorialsPoint</b></body></Strong>
>>> tag.name
'Strong'

属性(tag.attrs)

タグオブジェクトは、任意の数の属性を持つことができます。タグ<bclass =” boldest”>には、値が“ boldest”である属性 'class'があります。タグではないものはすべて基本的に属性であり、値が含まれている必要があります。キーにアクセスする(上記の例の「class」にアクセスするなど)か、「。attrs」から直接アクセスすることで、属性にアクセスできます。

>>> tutorialsP = BeautifulSoup("<div class='tutorialsP'></div>",'lxml')
>>> tag2 = tutorialsP.div
>>> tag2['class']
['tutorialsP']

タグの属性にあらゆる種類の変更を加えることができます(追加/削除/変更)。

>>> tag2['class'] = 'Online-Learning'
>>> tag2['style'] = '2007'
>>>
>>> tag2
<div class="Online-Learning" style="2007"></div>
>>> del tag2['style']
>>> tag2
<div class="Online-Learning"></div>
>>> del tag['class']
>>> tag
<b SecondAttribute="2">TutorialsPoint</b>
>>>
>>> del tag['SecondAttribute']
>>> tag
</b>
>>> tag2['class']
'Online-Learning'
>>> tag2['style']
KeyError: 'style'

複数値の属性

一部のHTML5属性は、複数の値を持つことができます。最も一般的に使用されるのは、複数のCSS値を持つことができるクラス属性です。その他には、「rel」、「rev」、「headers」、「accesskey」、「accept-charset」などがあります。美しいスープの多値属性がリストとして表示されます。

>>> from bs4 import BeautifulSoup
>>>
>>> css_soup = BeautifulSoup('<p class="body"></p>')
>>> css_soup.p['class']
['body']
>>>
>>> css_soup = BeautifulSoup('<p class="body bold"></p>')
>>> css_soup.p['class']
['body', 'bold']

ただし、いずれかの属性に複数の値が含まれているが、HTML標準のいずれかのバージョンによる複数値の属性ではない場合、美しいスープは属性をそのままにします-

>>> id_soup = BeautifulSoup('<p id="body bold"></p>')
>>> id_soup.p['id']
'body bold'
>>> type(id_soup.p['id'])
<class 'str'>

タグを文字列に変換すると、複数の属性値を統合できます。

>>> rel_soup = BeautifulSoup("<p> tutorialspoint Main <a rel='Index'> Page</a></p>")
>>> rel_soup.a['rel']
['Index']
>>> rel_soup.a['rel'] = ['Index', ' Online Library, Its all Free']
>>> print(rel_soup.p)
<p> tutorialspoint Main <a rel="Index Online Library, Its all Free"> Page</a></p>

'get_attribute_list'を使用すると、複数値であるかどうかに関係なく、常にリスト、文字列である値を取得できます。

id_soup.p.get_attribute_list(‘id’)

ただし、ドキュメントを「xml」として解析する場合、複数値の属性はありません-

>>> xml_soup = BeautifulSoup('<p class="body bold"></p>', 'xml')
>>> xml_soup.p['class']
'body bold'

NavigableString

navigablestringオブジェクトは、タグの内容を表すために使用されます。コンテンツにアクセスするには、タグ付きの「.string」を使用します。

>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup("<h2 id='message'>Hello, Tutorialspoint!</h2>")
>>>
>>> soup.string
'Hello, Tutorialspoint!'
>>> type(soup.string)
>

文字列を別の文字列に置き換えることはできますが、既存の文字列を編集することはできません。

>>> soup = BeautifulSoup("<h2 id='message'>Hello, Tutorialspoint!</h2>")
>>> soup.string.replace_with("Online Learning!")
'Hello, Tutorialspoint!'
>>> soup.string
'Online Learning!'
>>> soup
<html><body><h2 id="message">Online Learning!</h2></body></html>

BeautifulSoup

BeautifulSoupは、Webリソースをスクレイプしようとしたときに作成されるオブジェクトです。それで、それは私たちがこすり取ろうとしている完全な文書です。ほとんどの場合、タグオブジェクトとして扱われます。

>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup("<h2 id='message'>Hello, Tutorialspoint!</h2>")
>>> type(soup)
<class 'bs4.BeautifulSoup'>
>>> soup.name
'[document]'

コメント

コメントオブジェクトは、Webドキュメントのコメント部分を示しています。これは、NavigableStringの特殊なタイプです。

>>> soup = BeautifulSoup('<p><!-- Everything inside it is COMMENTS --></p>')
>>> comment = soup.p.string
>>> type(comment)
<class 'bs4.element.Comment'>
>>> type(comment)
<class 'bs4.element.Comment'>
>>> print(soup.p.prettify())
<p>
<!-- Everything inside it is COMMENTS -->
</p>

NavigableStringオブジェクト

navigablestringオブジェクトは、タグ自体ではなく、タグ内のテキストを表すために使用されます。