如何使用 Python 从本地保存的 HTML 文件中读取源 HTLM 代码？

Question

我是 HTML 和漂亮汤的新手。 我正在尝试读取 Python 中本地保存的 HTML 文件，并测试了以下代码：

with open(file_path) as fp:
    soup = BeautifulSoup(fp)

print(soup)

output 看起来很奇怪，这里是其中的一部分：

<html><body><p>ÿþh t m l &gt; 
 
 
 
 h e a d &gt; 
 
 m e t a   h t t p - e q u i v = C o n t e n t - T y p e   c o n t e n t = " t e x t / h t m l ;   c h a r s e t = u n i c o d e " &gt; 
 
 m e t a   n a m e = G e n e r a t o r   c o n t e n t = " M i c r o s o f t   W o r d   1 5   ( f i l t e r e d ) " &gt; 
 
 s t y l e &gt; 
 
 ! - - 
 
   / *   F o n t   D e f i n i t i o n s   * /

原始 HTML 代码类似于

<html>

<head>
<meta http-equiv=Content-Type content="text/html; charset=unicode">
<meta name=Generator content="Microsoft Word 15 (filtered)">
<style>
<!--
 /* Font Definitions */
 @font-face
    {font-family:"Cambria Math";
    panose-1:2 4 5 3 5 4 6 3 2 4;}
@font-face
    {font-family:Calibri;

任何人都可以帮助我或分享一些想法吗？

谢谢！

Answer 1

试试print(soup.prettify()) 。 美化方法很有帮助，并显示格式化的 HTML 内容。

根据文档：

prettify() 方法会将 Beautiful Soup 解析树转换为格式良好的 Unicode 字符串，每个标签和每个字符串都有单独的一行：

资料来源：美丽的汤文档

Answer 2

首先，让我们讨论一下为什么您无法fetch所需Output 。 这是因为当您在BeautifulSoup中parsing数据时。 您的Code中可能存在一些空格、符号等。 因此，针对这种情况的适当Solution方案如下所述：-

需要的解决方案：-使用soup.prettify()
适当的解决方案：-一起使用HTML Parser和soup.prettify()

要了解有关HTML Parser和soup.prettify更多信息：-单击此处

方法 1（通过在当前`Code`中使用`soup.prettify()` ）：-

# File Path of 'HTML' File
file_path = 'demo.html'

# Fetch 'HTML' Code Using 'BeautifulSoup'
with open(file_path) as fp:
    soup = BeautifulSoup(fp)

# Print 'HTML' Code using 'prettify' Format
print(soup.prettify())

# Output of above cell:-
<html>
 <head>
  <meta content="text/html; charset=utf-8" http-equiv="Content-Type"/>
  <meta content="Microsoft Word 15 (filtered)" name="Generator"/>
  <style>
   <!--
 /* Font Definitions */
 @font-face
    {font-family:"Cambria Math";
    panose-1:2 4 5 3 5 4 6 3 2 4;}
@font-face
    {font-family:Calibri;
  </style>
 </head>
</html>

方法 2（通过使用`HTML Parser`和`soup.prettify()` ）：-

# Import all-important Libraries
from bs4 import BeautifulSoup
import html5lib

# Open Our 'HTML' File
html_page = open('demo.html', 'r')

# Parse it to 'HTML' Format
soup = BeautifulSoup(html_page, "html5lib")

# Print Scraped 'HTML' Code
print(soup.prettify())

# Output of above cell:-
<html>
 <head>
  <meta content="text/html; charset=utf-8" http-equiv="Content-Type"/>
  <meta content="Microsoft Word 15 (filtered)" name="Generator"/>
  <style>
   <!--
 /* Font Definitions */
 @font-face
    {font-family:"Cambria Math";
    panose-1:2 4 5 3 5 4 6 3 2 4;}
@font-face
    {font-family:Calibri;
  </style>
 </head>
</html>

希望此解决方案对您有所帮助。

如何使用 Python 从本地保存的 HTML 文件中读取源 HTLM 代码？

问题描述

2 个解决方案

解决方案1
1 2021-04-30 14:05:55

解决方案2
1 已采纳 2021-04-30 14:30:53

方法 1（通过在当前`Code`中使用`soup.prettify()` ）：-

方法 2（通过使用`HTML Parser`和`soup.prettify()` ）：-

如何使用 Python 从本地保存的 HTML 文件中读取源 HTLM 代码？

问题描述

2 个解决方案

解决方案1 1 2021-04-30 14:05:55

解决方案2 1 已采纳 2021-04-30 14:30:53

方法 1（通过在当前Code中使用soup.prettify() ）：-

方法 2（通过使用HTML Parser和soup.prettify() ）：-

解决方案1
1 2021-04-30 14:05:55

解决方案2
1 已采纳 2021-04-30 14:30:53

方法 1（通过在当前`Code`中使用`soup.prettify()` ）：-

方法 2（通过使用`HTML Parser`和`soup.prettify()` ）：-