[英]Python 3 Beautiful Soup find tag with colon
我试图抓住这个网站,并获得两个单独的标签。 这就是html的样子。
<url>
<loc>
http://link.com
</loc>
<lastmod>date</lastmode>
<changefreq>daily</changefreq>
<image:image>
<image:loc>
https://imagelink.com
<image:loc>
<image:title>Item title</image:title>
<image:image>
</url>
我想要获得的标签是loc和image:title。 我遇到的问题是标题标签中的冒号。 我到目前为止的代码是
r = requests.get(url)
soup = BeautifulSoup(r.content, 'html.parser')
for item in soup.find_all('url'):
print(item.loc)
#print image title
我也试过做
print(item.title)
但这不起作用
您应该以“xml”模式解析它(也需要安装lxml
):
from bs4 import BeautifulSoup
data = """
<url>
<loc>
http://link.com
</loc>
<lastmod>date</lastmod>
<changefreq>daily</changefreq>
<image:image>
<image:loc>
https://imagelink.com
</image:loc>
<image:title>Item title</image:title>
</image:image>
</url>"""
soup = BeautifulSoup(data, 'xml')
for item in soup.find_all('url'):
print(item.title.get_text())
打印Item title
。
请注意,我已经对XML字符串应用了几个修复程序,因为它最初是非格式良好的。
我正在使用BeautifulSoup解析Confluence XHTML,而alecxe的解决方案并不能让我满意,因为我真的需要BeautifulSoup的html
模式。
所以我找到了一个使用正则表达式的hacky解决方案:
>>> import re
>>> from bs4 import BeautifulSoup
>>>
>>> data = """
... <url>
... <loc>
... http://link.com
... </loc>
... <lastmod>date</lastmod>
... <changefreq>daily</changefreq>
... <image:image>
... <image:loc>
... https://imagelink.com
... </image:loc>
... <image:title>Item title</image:title>
... </image:image>
... </url>"""
>>>
>>> soup = BeautifulSoup(data, 'html.parser')
>>> soup.find_all('image:title') # nope, bs4 won't allow us to do this
[]
>>> soup.find_all(re.compile('image:title')) # but this works
[<image:title>Item title</image:title>]
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.