Skip to main content
 首页 » 编程设计

Python Beautifulsoup 提取十六进制值

2024年12月31日11rubylouvre

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>&#x42;&#x69;&#x6C;&#x6C;&#x69;&#x6E;&#x67;&#x20;&#x61;&#x64;&#x64;&#x72;&#x65;&#x73;&#x73; - &#x50;&#x61;&#x79;&#x50;&#x61;&#x6C;</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>&#x42;&#x69;&#x6C;&#x6C;&#x69;&#x6E;&#x67;&#x20;&#x61;&#x64;&#x64;&#x72;&#x65;&#x73;&#x73; - &#x50;&#x61;&#x79;&#x50;&#x61;&#x6C;</title> 

你也可以对其他标签做同样的事情