BeautifulSoup嵌套标签

Question

我正在尝试使用Beautifulsoup解析XML,但在尝试使用findall()的" 递归 "属性时碰到了一堵砖墙

我有一个非常奇怪的xml格式如下所示:

<?xml version="1.0"?>
<catalog>
   <book>
      <author>Gambardella, Matthew</author>
      <title>XML Developer's Guide</title>
      <genre>Computer</genre>
      <price>44.95</price>
      <publish_date>2000-10-01</publish_date>
      <description>An in-depth look at creating applications 
      with XML.</description>
      <book>true</book>
   </book>
   <book>
      <author>Ralls, Kim</author>
      <title>Midnight Rain</title>
      <genre>Fantasy</genre>
      <price>5.95</price>
      <publish_date>2000-12-16</publish_date>
      <description>A former architect battles corporate zombies, 
      an evil sorceress, and her own childhood to become queen 
      of the world.</description>
      <book>false</book>
   </book>
 </catalog>

正如您所看到的,book标签在book标签内重复,当我尝试执行以下操作时会导致错误:

from BeautifulSoup import BeautifulStoneSoup as BSS

catalog = "catalog.xml"


def open_rss():
    f = open(catalog, 'r')
    return f.read()

def rss_parser():
    rss_contents = open_rss()
    soup = BSS(rss_contents)
    items = soup.findAll('book', recursive=False)

    for item in items:
        print item.title.string

rss_parser()

正如你将看到的那样,在我的汤上.findAll我已经添加了recursive = false,理论上它不会通过找到的项目进行递归,但跳到下一个.

这似乎不起作用,因为我总是得到以下错误:

  File "catalog.py", line 17, in rss_parser
    print item.title.string
AttributeError: 'NoneType' object has no attribute 'string'

我确定我在这里做了一些蠢事,如果有人能帮我解决这个问题,我会很感激.

更改HTML结构不是一个选项,此代码需要执行良好,因为它可能会解析大型XML文件.

Answer 1

soup.findAll('catalog', recursive=False)将返回一个仅包含顶级“目录”标签的列表。因为它没有“标题”孩子，所以item.title是None。

尝试soup.findAll("book")或soup.find("catalog").findChildren()替代。

编辑：好吧，问题不是我想的那样。尝试这个：

BSS.NESTABLE_TAGS["book"] = []
soup = BSS(open("catalog.xml"))
soup.catalog.findChildren(recursive=False)