Question

如果我有一个如下所示的html，并且使用漂亮的汤来解析它，则如何访问<head>元素之前的行。

<?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元素的标准方法是soup.head或body是soup.body。我认为那是因为头和身体都是标准标签。

是否可以访问<head>之前的元素？

Answer 1

您可以通过选择head标签并遍历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)

此过程之后，您将<head>中prev_head上方的所有代码作为字符串然后，您可以BeautifulSoup(prev_head)来获取用于后验的BS对象。

PS：请注意，我删除了<head>标签，因为<html>是它的第一个previous_element。我还格式化了非标记元素，因为它们的平面str格式不包含其前缀和后缀，从而使它们无法在BS对象中使用。

美丽的汤-如何才能在元素之前获取元素？

1 个答案: