BeautifulSoup：适当添加空格，去掉不必要的空格
这个示例的Python程序：
document='''<p>This is <i>something</i>, it happens
in <b>real</b> life</p>'''
from bs4 import BeautifulSoup
soup = BeautifulSoup(document)
print(soup.prettify())
输出了以下内容：
<html>
<body>
<p>
This is
<i>
something
</i>
, it happens
in
<b>
real
</b>
life
</p>
</body>
</html>
这不对，因为它在每个开始和结束标签前后都加了空格，比如说，</i>和,之间就不应该有空格。我希望它能：
在没有空格的地方不添加空格（即使是在块级标签周围，如果它们在CSS中设置为
display:inline，也可能会出现问题）。把所有的空格合并成一个空格，除了可能需要换行的地方。
像这样：
<html>
<body>
<p>This is
<i>something</i>,
it happens in
<b>real</b> life</p>
</body>
</html>
用BeautifulSoup能做到吗？有没有其他推荐的HTML解析器可以处理这个问题？
3 个回答
0
正如之前的评论和thebjorn所说，BeautifulSoup对“漂亮的HTML”的定义是每个标签都单独占一行。不过，为了处理你在空格方面遇到的一些问题，比如<br>标签等，你可以先把它们合并成一行，像这样：
from bs4 import BeautifulSoup
document = """<p>This is <i>something</i>, it happens
in <b>real</b> life</p>"""
document_stripped = " ".join(l.strip() for l in document.split("\n"))
soup = BeautifulSoup(document_stripped).prettify()
print(soup)
这样输出的结果是：
<html>
<body>
<p>
This is
<i>
something
</i>
, it happens in
<b>
real
</b>
life
</p>
</body>
</html>
2
Beautiful Soup的.prettify()方法是用来把每个标签单独放在一行上显示的（你可以在这里查看详细信息：http://www.crummy.com/software/BeautifulSoup/bs4/doc/index.html#pretty-printing）。如果你想要其他格式的输出，那就需要自己动手，通过遍历解析树来实现。
4
因为 .prettify 这个功能会把每个标签放在单独的一行，所以它不太适合用在生产环境中；我觉得它只适合用来调试时查看输出。你可以直接把你的内容转换成字符串，使用 str 这个内置函数。
你想要的是在你的树结构中改变字符串的内容；你可以写一个函数，找到所有包含两个或更多空白字符的元素（可以用预先编译好的正则表达式），然后替换它们的内容。
顺便说一下，如果你这样写你的例子，Python 就可以避免插入不必要的空白字符：
document = ('<p>This is <i>something</i>, it happens '
'in <b>real</b> life</p>')
这样你就有了两个字面量，它们会被隐式地连接在一起。