Question

我正在使用BeautifulSoup解析几个XML文档源，并希望进行一些预处理以使用自定义XML标记替换非标准CDATA标记。举例说明：

以下XML源代码......

<title>The end of the world as we know it</title>
<category><![CDATA[Planking Dancing]]></category>
<pubDate><![CDATA[Sun, 16 Sep 2012 12:00:00 EDT]]></pubDate>
<dc:creator><![CDATA[Bart Simpson]]></dc:creator>

......会变成：

<title>The end of the world as we know it</title>
<category><myTag>Planking Dancing<myTag></category>
<pubDate><myTag>Sun, 16 Sep 2012 12:00:00 EDT<myTag></pubDate>
<dc:creator><myTag>Bart Simpson<myTag></dc:creator>

我认为之前没有问过这个问题（我试过几个不同的SO查询）。我还尝试了一些使用.findAll('cdata', text=True)的不同方法，并将BeautifulSoup replaceWith()方法应用于每个结果NavigableString。我所做的尝试导致了没有替换，或者看起来像是一个递归循环。

我很高兴发布我之前的尝试，但鉴于此处的问题非常简单，我希望有人可以发布一个明确的示例，说明如何使用BeautifulSoup 3完成上述搜索和替换。

Answer 1

CData是NavigableString的子类，因此您可以找到所有CData 首先搜索所有NavigableString个对象，然后进行测试是否每个都是CData的实例。一旦你有了它，很容易如您所知，使用replaceWith替换：

>>> from BeautifulSoup import BeautifulSoup, CData, Tag
>>> source = """
... <title>The end of the world as we know it</title>
... <category><![CDATA[Planking Dancing]]></category>
... <pubDate><![CDATA[Sun, 16 Sep 2012 12:00:00 EDT]]></pubDate>
... <dc:creator><![CDATA[Bart Simpson]]></dc:creator>
... """
>>> soup = BeautifulSoup(source)
>>> for navstr in soup(text=True):
...     if isinstance(navstr, CData):
...         tag = Tag(soup, "myTag")
...         tag.insert(0, navstr[:])
...         navstr.replaceWith(tag)
... 
>>> soup

<title>The end of the world as we know it</title>
<category><myTag>Planking Dancing</myTag></category>
<pubdate><myTag>Sun, 16 Sep 2012 12:00:00 EDT</myTag></pubdate>
<dc:creator><myTag>Bart Simpson</myTag></dc:creator>

>>>

几点说明：

你可以调用一个BeautifulSoup对象，好像它是一个函数，然后是效果与调用.findAll()方法相同。
我知道在BS3中获取CData对象内容的唯一方法是切片它，就像上面的代码片段一样。 str(navstr)会保留所有内容 <![CDATA[...]]>垃圾，这显然是你不想要的。在BS4中，str(navstr) 给你没有垃圾的内容。

用BeautifulSoup中的标签替换CDATA NavigableStrings

1 个答案: