beautifulsouphtml.parser和xml中的<link>标记（与带有'lxml'解析器的CDATA相比）。我必须两者都用吗？

2024-06-06 05:03:55 发布

您现在位置：Python中文网/ 问答频道 /正文
6045 3

我正在尝试使用BeautifulSoup html.parser进行解析，但该标记有问题，因为它的处理方式与其他标记不同：

在<title>标记上，它按预期工作：

>>> BeautifulSoup("<title>Somalia’s Electoral Crisis in Extremis</title>", features='html.parser')
<title>Somalia’s Electoral Crisis in Extremis</title>

但是，在处理<link>标记时，它会在开始标记中引入斜杠，并删除结束标记：

>>>BeautifulSoup("<link>https://warontherocks.com/2021/04/somalias-electoral-crisis-in-extremis/</link>", features='html.parser')
<link/>https://warontherocks.com/2021/04/somalias-electoral-crisis-in-extremis/

为什么要这样做

现在，如果我使用'lxml'或'xml'标记，它可以正常工作

>>> BeautifulSoup("<link>https://warontherocks.com/2021/04/somalias-electoral-crisis-in-extremis/</link>", features='lxml')
<html><head><link/></head><body><p>https://warontherocks.com/2021/04/somalias-electoral-crisis-in-extremis/</p></body></html>

我之所以使用html.parser，是因为我还遇到了嵌套元素（如<something:tag>）和CDATA字符串。因此，如果可能的话，用lxml解析CDATA（这对我来说不起作用）也是一个解决方案

我是否需要编写一些逻辑来决定使用哪个库来解析每个站点，或者是否有一种方法可以按原样使用BeautifulSoup来实现这一点


Tags： inhttps标记comparsertitlehtmllink
4条回答

目前没有回答

相关问题 更多 >

    编程相关推荐