Joo*_*ost 11 python beautifulsoup
我正在尝试使用BeautifulSoup Python库解析HTML文档,但结构会被<br>标记扭曲.让我举个例子.
输入HTML:
<div>
some text <br>
<span> some more text </span> <br>
<span> and more text </span>
</div>
BeautifulSoup解释的HTML:
<div>
some text
<br>
<span> some more text </span>
<br>
<span> and more text </span>
</br>
</br>
</div>
在源头,跨度可以被认为是兄弟姐妹.在解析之后(使用默认解析器),跨度突然不再是兄弟,因为br标签成为结构的一部分.
我可以想到解决这个问题的解决方案是<br>在将html注入Beautifulsoup之前完全剥离标签,但这似乎并不优雅,因为它需要我更改输入.有什么更好的方法来解决这个问题？
你最好的选择是extract()换行.它比你想象的容易:).
>>> from bs4 import BeautifulSoup as BS
>>> html = """<div>
... some text <br>
... <span> some more text </span> <br>
... <span> and more text </span>
... </div>"""
>>> soup = BS(html)
>>> for linebreak in soup.find_all('br'):
... linebreak.extract()
...
<br/>
<br/>
>>> print soup.prettify()
<html>
<body>
<div>
some text
<span>
some more text
</span>
<span>
and more text
</span>
</div>
</body>
</html>
这是一个非常老的问题，但是我也遇到了类似的问题，因为我的文档包含了closong </br>标签。因此，beatifulsoup只是忽略了大量文档（我想bs试图处理一个关闭标签）soup.find_all('br')实际上没有找到任何东西，因为没有打开br标签，所以我无法使用该extract()方法。
ash了一个小时后，我发现使用lxml解析器而不是默认的html可以解决此问题。
soup = BeautifulSoup(page, 'lxml')