如果我有一个html如下,我用beautiful soup解析它,我如何访问<head>之前的行?元素。
<?xml version="1.0" encoding="utf-8" standalone="no"?>
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.1//EN"
"http://www.w3.org/TR/xhtml11/DTD/xhtml11.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
例如,访问 head 元素的标准方式是 soup.head或者 body 是soup.body .我认为这是因为 head 和 body 都是标准标签。
有没有办法访问<head>之前的元素? ?
请您参考如下方法:
您可以通过选择 head 标签并循环遍历 previous_elements:
from bs4 import BeautifulSoup
from w3lib.html import remove_tags
html= '<?xml version="1.0" encoding="utf-8" standalone="no"?><!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.1//EN" "http://www.w3.org/TR/xhtml11/DTD/xhtml11.dtd"><html xmlns="http://www.w3.org/1999/xhtml"><head>'
soup= BeautifulSoup(html,"html.parser")
x= soup.head
while x.previous_element != None:
if not isinstance(x.previous_element, bs4.element.Tag):
p = x.previous_element.PREFIX + str(x.previous_element) +
x.previous_element.SUFFIX
prev_head = prev_head + p
else:
prev_head = str(x.previous_element) + prev_head
x = x.previous_element
prev_head = remove_tags(prev_head, which_ones= ("head",))
BeautifulSoup(prev_head)
完成此过程后,您将拥有以上所有代码 <head>在 prev_head作为一个字符串 .然后你可以BeautifulSoup(prev_head)得到一个 BS 对象供后验使用。
附言: 请注意,我删除了 <head>标记因为 <html>是第一个previous_element .我还格式化了非标记元素,因为它们的平面 str 格式不包括它们的前缀和后缀,这使得它们无法在 BS 对象中使用。
