HTML 文档中所有元素名称的列表——beautifulsoup答案

【问题标题】：List of all element names in HTML document — beautifulsoupHTML 文档中所有元素名称的列表——beautifulsoup
【发布时间】：2016-11-11 07:15:12
【问题描述】：

我想获得一个包含 HTML 文档的所有不同标记名称的列表（不重复的标记名称字符串列表）。我尝试使用soup.findall() 输入空条目，但这却给了我整个文档。

有办法吗？

【问题讨论】：

标签： python web-scraping beautifulsoup

【解决方案1】：

使用soup.findall()，您可以获得可以迭代的每个元素的列表。因此，您可以执行以下操作：

from bs4 import BeautifulSoup

html_doc = """
<html><head><title>The Dormouse's story</title></head>
<body>
<p class="title"><b>The Dormouse's story</b></p>

<p class="story">Once upon a time there were three little sisters; and their names were
<a href="http://example.com/elsie" class="sister" id="link1">Elsie</a>,
<a href="http://example.com/lacie" class="sister" id="link2">Lacie</a> and
<a href="http://example.com/tillie" class="sister" id="link3">Tillie</a>;
and they lived at the bottom of a well.</p>

<p class="story">...</p>
"""  # an html sample
soup = BeautifulSoup(html_doc, 'html.parser')

document = soup.html.find_all()

el = ['html',]  # we already include the html tag
for n in document:
    if n.name not in el:
        el.append(n.name)

print(el)

代码 sn-p 的输出将是：

>>> ['head', 'title', 'body', 'p', 'b', 'a']

编辑

正如@PM 2Ring 指出的那样，如果您不关心添加元素的顺序（正如他所说，我认为不是这种情况），那么您可以使用集合。在 Python 3.x 中您不必导入它，但如果您使用旧版本，您可能需要检查它是否受支持。

from bs4 import BeautifulSoup

...

el = {x.name for x in document} # use a set comprehension to generate it easily
el.add("html")  # only if you need to

【讨论】：

简单明了。好动。我想它也适用于标题标签，不是吗？
顺便说一句，您缺少其中的 html 标记。
@wonderwhy - 已编辑。现在它也包括在内。是的，它还遍历 <head> 标记。输出将是：['html', 'head', 'title', 'body', 'p', 'b', 'a']
对el 使用集合而不是列表会很多更有效，因为您无需费心进行in 测试。当然，集合不会保持顺序，但这在这里可能不是问题。如果 OP 真的需要一个列表，那么在最后将集合转换为列表很容易。
@firelitte 首先将 URL 放入字符串标签中。