Question

BeautifulSoup 将复杂的 HTML 文档转换成一个复杂的树形结构。每个节点都是 Python 对象。有四种节点对象： Tag 、 NavigableString 、 BeautifulSoup 、 Comment 。

1. Tag 对象

Tag 对象与 XML 或者 HTML 原生文档中的 tag 相同，就是 HTML 中的标签。

Tag 对象有两个最重要的属性： name 和 attrs 属性：

• name ：返回 HTML 标签的名字，通过 Tag 对象 .name 来获取。如果改变了 Tag 对象 name ，则会影响所有通过当前 BeautifulSoup 生成的 HTML 文档
• attrs ：返回 HTML 标签的属性。
  • 你可以用 Tag.attrs 访问修改属性，操作方法与字典相同
  • 你可以用"Tag.key"直接取 HTML 标签属性

HTML 标签中对于 class 等属性，它可能有多个值，那么 Tag 对象的 attrs 返回的是一个列表。HTML 标签中对于 id 这种属性它只能有一个值，但是如果看起来像是两个值，则 Tag 对象的 attrs 返回字符串。另外如果文档是 XML 格式，则 XML 标签中不包含多值属性，如果 class 等属性有多个值，则将它们拼接成字符串，按照字符串处理。

将 Tag 对象转换成字符串时，多个值属性会合成为一个值，而不是对一个列表执行 str() 。

2. NavigableString 对象

NavigableString 对象表示标签包围的 HTML 文字内容，通过 Tag 对象的 .string 属性可获得对应的 NavigableString 对象。

• 可以通过 str() 方法直接将 NavigableString 对象转换成字符串。
• NavigableString 对象的字符串内容不能编辑，但是可以整体替换掉，如 tag.string.replace_with("text2") 。

如果想在 BeautifulSoup 之外使用 NavigableString 对象，则建议调用 str() 方法将它转换成普通的字符串，否则会浪费内存。

3. BeautifulSoup 对象

BeautifulSoup 对象表示的是一个文档的全部内容。大部分时候可以将它视为 Tag 对象进行遍历。但是它的 .name 属性固定为 '[document]' ，且 .attrs 属性为空。

4. Comment 对象以及其他特殊对象

Comment 对象是一个特殊类型的 NavigableString 对象。当它出现在 HTML 文档中时，其格式化输出的方式与普通的 NavigableString 对象不同。

CData 、 ProcessingInstruction 、 Declaration 、 Doctype 与 Comment 对象类似，他们都是 NavigableString 的子类，只是都有各自的格式化输出方式。