Beautiful Soup 简明教程

Beautiful Soup - Find all Comments

计算机代码中加入注释被认为是一种良好的编程实践。注释有助于理解程序的逻辑，同时也可以作为文档。和用 C、Java、Python 等语言编写的程序一样，您还可以在 HTML 和 XML 脚本中添加注释。BeautifulSoup API 可以帮助识别 HTML 文档中的所有注释。

在 HTML 和 XML 中，注释文本写在 <!-- 和 -→ 标签之间。

<!-- Comment Text -->

BeutifulSoup 包，其内部名称为 bs4，将注释定义为一个重要的对象。注释对象是一种特殊的 NavigableString 对象类型。因此，任何在 <!-- 和 -→ 之间找到的标签的 string 属性都被认为是注释。

Example

from bs4 import BeautifulSoup
markup = "<b><!--This is a comment text in HTML--></b>"
soup = BeautifulSoup(markup, 'html.parser')
comment = soup.b.string
print (comment, type(comment))

Output

This is a comment text in HTML <class 'bs4.element.Comment'>

要搜索 HTML 文档中注释的所有出现，我们应该使用 find_all() 方法。不带任何参数，find_all() 返回解析的 HTML 文档中的所有元素。可以将关键字参数 'string' 传递到 find_all() 方法。我们将为此分配函数 iscomment() 的返回值。

comments = soup.find_all(string=iscomment)

iscomment() 函数在 isinstance() 函数的帮助下验证标签中的文本是否是注释对象。

def iscomment(elem):
   return isinstance(elem, Comment)

comments 变量将存储给定 HTML 文档中的所有注释文本出现。我们将在示例代码中使用以下 index.html 文件 -

<html>
   <head>
      <!-- Title of document -->
      <title>TutorialsPoint</title>
   </head>
   <body>
      <!-- Page heading -->
      <h2>Departmentwise Employees</h2>
      <!-- top level list-->
      <ul id="dept">
      <li>Accounts</li>
         <ul id='acc'>
         <!-- first inner list -->
         <li>Anand</li>
         <li>Mahesh</li>
         </ul>
      <li>HR</li>
         <ul id="HR">
         <!-- second inner list -->
         <li>Rani</li>
         <li>Ankita</li>
         </ul>
      </ul>
   </body>
</html>

以下 Python 程序刮取了上述 HTML 文档，并找到了其中的所有注释。

Example

from bs4 import BeautifulSoup, Comment

fp = open('index.html')

soup = BeautifulSoup(fp, 'html.parser')

def iscomment(elem):
    return isinstance(elem, Comment)

comments = soup.find_all(string=iscomment)
print (comments)

Output

[' Title of document ', ' Page heading ', ' top level list', ' first inner list ', ' second inner list ']

上述输出显示了所有注释的列表。我们还可以在注释集合上使用一个 for 循环。

Example

i=0
for comment in comments:
   i+=1
   print (i,".",comment)

Output

1 .  Title of document
2 .  Page heading
3 .  top level list
4 .  first inner list
5 .  second inner list

在本章中，我们学习了如何提取 HTML 文档中的所有注释字符串。