如何使用BeautifulSoup提取HTML元素的嵌套級別？

我目前使用BeautifulSoup來提取HTML元素和屬性。
我也想知道提取的每個元素的嵌套級別。如何使用BeautifulSoup提取HTML元素的嵌套級別？

例如：

示例HTML：

<html> 
    <head> 
    <title>Element Attributes Test</title> 
    </head> 
    <body> 
    <div id="abc"> 
     <ol id="def"> 
     <li class="testItem"> <a href="http://testpage.html"> 
     </li> 
     <li class="testItem"> <table id="testTable"> 
       <tr> 
       <td> 
        <div id="testDiv"> 
        </div> 
       </td> 
       </tr> 
      </table> 
     </li> 
     </ol> 
    </div> 
    </body> 
</html>

我想獲得的路徑信息如在路徑列輸出中的特定元素。

---------------------------------- 
Element | Attribute | Path 
---------------------------------- 
html | None  | document 
---------------------------------- 
head | None  | html 
---------------------------------- 
title | None  | html.head 
---------------------------------- 
body | None  | html 
---------------------------------- 
div  | id="abc" | html.body 
----------------------------------- 
ol  | id="def" | html.body.div 
----------------------------------- 
li  | class=".."| html.body.div.ol 
----------------------------------- 
a  | href=".." | html.body.div.ol.li 
----------------------------------- 
li  | class=".."| html.body.div.ol 
----------------------------------- 
table | id="..." | html.body.div.old.li 
----------------------------------- 
tr  | None  | html.body.div.li.table 
-----------------------------------

我能夠提取元素及其關聯的屬性，但無法找到合適的方法來獲取該特定元素的路徑。

如何使用BeautifulSoup提取相同的圖像？有沒有其他庫可以用來提取它們？

在此先感謝。

來源

2012-12-04 user1652054

你可能會採取以下方法在獲得自下而上的路徑，所有的HTML元素

>>> for elem in soup.findAll(): 
    path = '.'.join(reversed([p.name for p in elem.parentGenerator() if p])) 
    print "{:10}|{:60}|{:10}".format(elem.name,elem.attrs, path) 


html  |[]               |[document] 
head  |[]               |[document].html 
title  |[]               |[document].html.head 
body  |[]               |[document].html 
div  |[(u'id', u'abc')]           |[document].html.body 
ol  |[(u'id', u'def')]           |[document].html.body.div 
li  |[(u'class', u'testItem')]         |[document].html.body.div.ol 
a   |[(u'href', u'http://testpage.html')]      |[document].html.body.div.ol.li 
li  |[(u'class', u'testItem')]         |[document].html.body.div.ol 
table  |[(u'id', u'testTable')]          |[document].html.body.div.ol.li 
tr  |[]               |[document].html.body.div.ol.li.table 
td  |[]               |[document].html.body.div.ol.li.table.tr 
div  |[(u'id', u'testDiv')]          |[document].html.body.div.ol.li.table.tr.td 
>>>

來源

2012-12-04 07:22:22 Abhijit

太謝謝你了。 – user1652054

爲了讓你可以嘗試這樣的路徑：

[i.name for i in soup.findAll('div',{'id':'testDiv'})[0].findParents()]

輸出：

['td', 'tr', 'table', 'li', 'ol', 'div', 'body', 'html', u'[document]']

或：

'.'.join([i.name for i in soup.findAll('div',{'id':'testDiv'})[0].findParents()][::-1])

得到它爲AA串：

u'[document].html.body.div.ol.li.table.tr.td'

來源

2012-12-04 07:14:00 root

如何使用BeautifulSoup提取HTML元素的嵌套級別？

回答

相關問題