为什么Beautiful Soup忽略CDATA

Question

我正在使用Beautiful Soup来处理雅虎天气API（python 2.7）：

url = 'http://weather.yahooapis.com/forecastrss?w=2344116'
page=urllib2.urlopen(url).read()
soup = BeautifulSoup(page)

但是在解析后的网址中，没有任何CDATA。为什么Beautiful Soup会忽略这个？我该如何防止忽略CDATA呢？

在xml中：

<img src="http://l.yimg.com/a/i/us/we/52/11.gif"/>

在解析后的页面中：

正如你所看到的，CDATA丢失了。

相关文章：

• 暂无相关问题

Answer 1

你为什么这么想要CDATA呢？从我看到的情况来看，下面几行有同样的数据，而且结构更清晰：

In [28]: soup.findAll('yweather:forecast')
Out[28]: 
[<yweather:forecast day="Sun" date="26 Oct 2014" low="57" high="63" text="Rain/Wind" code="12">
 </yweather:forecast>,
 <yweather:forecast day="Mon" date="27 Oct 2014" low="54" high="61" text="Rain/Wind" code="12">
 </yweather:forecast>,
 <yweather:forecast day="Tue" date="28 Oct 2014" low="56" high="59" text="Rain" code="12">
 </yweather:forecast>,
 <yweather:forecast day="Wed" date="29 Oct 2014" low="57" high="63" text="AM Showers" code="39">
 </yweather:forecast>,
 <yweather:forecast day="Thu" date="30 Oct 2014" low="55" high="62" text="Light Rain" code="11">
 <guid ispermalink="false">TUXX0014_2014_10_30_9_00_EEST</guid>
 </yweather:forecast>]

Answer 2

CDATA部分并不是被忽略了；它只是按照CDATA部分应该被处理的方式，被当作文本来处理：

>>> print soup.select('description:nth-of-type(2)')[0].text

<img src="http://l.yimg.com/a/i/us/we/52/11.gif"/><br />
<b>Current Conditions:</b><br />
Light Rain Shower, 59 F<BR />
<BR /><b>Forecast:</b><BR />
Sun - Rain/Wind. High: 63 Low: 57<br />
Mon - Rain/Wind. High: 60 Low: 53<br />
Tue - PM Showers. High: 58 Low: 55<br />
Wed - Mostly Cloudy. High: 64 Low: 57<br />
Thu - Rain. High: 63 Low: 55<br />
<br />
<a href="http://us.rd.yahoo.com/dailynews/rss/weather/Istanbul__TR/*http://weather.yahoo.com/forecast/TUXX0014_f.html">Full Forecast at Yahoo! Weather</a><BR/><BR/>
(provided by <a href="http://www.weather.com" >The Weather Channel</a>)<br/>

你可以把那部分当作一个单独的页面来解析：

>>> description_soup = BeautifulSoup(soup.select('description:nth-of-type(2)')[0].text)
>>> description_soup.img
<img src="http://l.yimg.com/a/i/us/we/52/11.gif"/>

注意，因为你正在解析的是一个XML源，所以建议使用XML模式（这需要先安装lxml）：

soup = BeautifulSoup(page, 'xml')

或者，更好的办法是使用feedparser来解析RSS源。