我正在构建一个抓取工具,我想在其中从某些标签中提取数据而不进行任何转换。但是 Beautifulsoup 将一些十六进制值更改为 ASCII。例如,这段代码被转换成 ASCII
html = """\
<title>Billing address - PayPal</title>
<title>Billing address - PayPal</title>"""
这是代码的小例子
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, "lxml")
for element in soup.findAll(['title', 'form', 'a']):
print(str(element))
但我想以相同的形式提取数据。我相信 BeautifulSoup 4 会自动转换 HTML 实体,而这是我不想要的。非常感谢任何帮助。
顺便说一句,我正在使用 Python 3.5 和 Beautifulsoup 4
请您参考如下方法:
您可以尝试使用 re 模块 ( Regular Expressions )。例如,下面的代码将在不转换的情况下提取标题标签信息:(我假设您之前声明了 html 变量)
import re
result = re.search('\<title\>.*\<\/title\>',html).group(0)
print(result) # It'll print <title>Billing address - PayPal</title>
你也可以对其他标签做同样的事情
