web-dev-qa-db-ja.com

HTML、頭と体のタグを自動的に付けないでください、beautifulsoup

html5libでbeautifulsoupを使用すると、html、head、bodyのタグが自動的に配置されます。

BeautifulSoup('<h1>FOO</h1>', 'html5lib') # => <html><head></head><body><h1>FOO</h1></body></html>

この動作をオフに設定できるオプションはありますか？

pythonbeautifulsouphtml5lib
30
BernardoFire
In [35]: import bs4 as bs

In [36]: bs.BeautifulSoup('<h1>FOO</h1>', "html.parser")
Out[36]: <h1>FOO</h1>

これ Pythonの組み込みHTMLパーサーでHTMLを解析します 。ドキュメントの引用：

Html5libとは異なり、このパーサーは<body>タグを追加して整形式のHTMLドキュメントを作成しようとはしません。 lxmlとは異なり、<html>タグを追加する必要はありません。

または、html5libパーサーを使用して、<body>の後の要素を選択することもできます。

In [61]: soup = bs.BeautifulSoup('<h1>FOO</h1>', 'html5lib')

In [62]: soup.body.next
Out[62]: <h1>FOO</h1>
33
unutbu

唯一のオプションは、データの解析にhtml5libを使用しないことです。

これはhtml5libライブラリの機能であり、不足している必須要素を追加するなど、不足しているHTMLを修正します。

4
Martijn Pieters

さらに別の解決策：

from bs4 import BeautifulSoup
soup = BeautifulSoup('<p>Hello <a href="http://google.com">Google</a></p><p>Hi!</p>', 'lxml')
# content handling example (just for example)
# replace Google with StackOverflow
for a in soup.findAll('a'):
  a['href'] = 'http://stackoverflow.com/'
  a.string = 'StackOverflow'
print ''.join([unicode(i) for i in soup.html.body.findChildren(recursive=False)])
1
userlond

BeautifulSoupのこの側面は、常に私を悩ませてきました。

これが私がそれに対処する方法です：

# Parse the initial html-formatted string
soup = BeautifulSoup(html, 'lxml')

# Do stuff here

# Extract a string repr of the parse html object, without the <html> or <body> tags
html = "".join([str(x) for x in soup.body.children])

簡単な内訳：

# Iterator object of all tags within the <body> tag (your html before parsing)
soup.body.children

# Turn each element into a string object, rather than a BS4.Tag object
# Note: inclusive of html tags
str(x)

# Get a List of all html nodes as string objects
[str(x) for x in soup.body.children]

# Join all the string objects together to recreate your original html
"".join()

私はまだこれが好きではありませんが、それは仕事を成し遂げます。 BS4を使用してHTMLドキュメントから特定の要素や属性をフィルタリングしてから、BS4で解析されたオブジェクトではなく、オブジェクト全体を文字列reprとして戻す必要がある場合は、常にこれに遭遇します。

うまくいけば、次に私がこれをグーグルで検索するとき、私はここで私の答えを見つけるでしょう。

1
theeastcoastwest

見栄えを良くしたい場合は、次のことを試してください。

BeautifulSoup（[分析したいコンテンツ] 。prettify（））

0
Jaylin