[英]Beautiful soup parsing XML incorrectly
<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE pdf2xml SYSTEM "pdf2xml.dtd">
<page number="1" position="absolute" top="0" left="0" height="1188" width="918">
<text top="301" left="136" width="223" height="17" font="4"><b>– Jul-18 ABC </b></text>
<text top="495" left="136" width="258" height="17" font="4"><b>– Aug-16</b> <b>XYZ </b></text>
</page>
使用xml / lxml / lxml-xml解析器的Beautiful Soup無法正確解析第二個 <text>
元素。 它將刪除 Aug-16
和XYZ
之間的空間 。 它解析為
<text font="4" height="17" left="136" top="495" width="258"><b>– Aug-16</b> <b>XYZ </b></text>
這是不正確的。 我也嘗試使用from_encoding="utf-8"
選項制作湯。 沒有一個工作。
可能您需要嘗試這種方式,
from bs4 import BeautifulSoup
text = """
<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE pdf2xml SYSTEM "pdf2xml.dtd">
<page number="1" position="absolute" top="0" left="0" height="1188" width="918">
<text top="301" left="136" width="223" height="17" font="4"><b>– Jul-18 ABC </b></text>
<text top="495" left="136" width="258" height="17" font="4"><b>– Aug-16</b> <b>XYZ </b></text>
</page>
"""
soup = BeautifulSoup(text, 'html.parser')
for i in soup.find_all('text'):
print(i.get_text(separator=u' ', strip=False))
#Output as : – Jul-18 ABC
# – Aug-16 XYZ
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.