python - tutorial - ¿Cómo obtengo una lista de todas las etiquetas principales en BeautifulSoup?

scrap with python

Question

Digamos que tengo una estructura como esta:

<folder name="folder1">
     <folder name="folder2">
          <bookmark href="link.html">
     </folder>
</folder>

Si apunto a marcar, ¿cuál sería el comando para extraer todas las líneas de la carpeta? Por ejemplo,

bookmarks = soup.findAll(''bookmark'')

then beautifulsoupcommand(bookmarks[0]) volvería:

[<folder name="folder1">,<folder name="folder2">]

También me gustaría saber cuándo las etiquetas de finalización también. ¿Algunas ideas?

¡Gracias por adelantado!

Answer 1

Aquí está mi puñalada:

>>> from BeautifulSoup import BeautifulSoup
>>> html = """<folder name="folder1">
     <folder name="folder2">
          <bookmark href="link.html">
     </folder>
</folder>
"""
>>> bookmarks = soup.findAll(''bookmark'')
>>> [p.get(''name'') for p in bookmarks[0].findAllPrevious(name = ''folder'')]
[u''folder2'', u''folder1'']

La diferencia clave de la respuesta de @ eumiro es que estoy usando findAllPrevious lugar de findParents . Cuando probé la solución de @ eumiro, descubrí que findParents solo devuelve el primer padre (inmediato) ya que el nombre del padre y el abuelo son los mismos.

>>> [p.get(''name'') for p in bookmarks[0].findParents(''folder'')]
[u''folder2'']

>>> [p.get(''name'') for p in bookmarks[0].findParents()]
[u''folder2'', None]

Devuelve dos generaciones de padres si el padre y el abuelo tienen un nombre diferente.

>>> html = """<folder name="folder1">
     <folder_parent name="folder2">
          <bookmark href="link.html">
     </folder_parent>
</folder>
"""
>>> soup = BeautifulSoup(html)
>>> bookmarks = soup.findAll(''bookmark'')
>>> [p.get(''name'') for p in bookmarks[0].findParents()]
[u''folder2'', u''folder1'', None]

Answer 2

bookmarks[0].findParents(''folder'') le devolverá una lista de todos los nodos principales. A continuación, puede iterar sobre ellos y usar su atributo de name .