使用美丽的汤保留实体刮

时间:2013-04-21 20:37:14

标签: python web-scraping beautifulsoup html-parsing html-entities

我想从网上抓一张桌子并保持& nbsp;实体完好无损,以便我以后可以重新发布为HTML。尽管如此,BeautifulSoup似乎正在将这些转换为空间。例如:

from bs4 import BeautifulSoup

html = "<html><body><table><tr>"
html += "<td>&nbsp;hello&nbsp;</td>"
html += "</tr></table></body></html>"

soup = BeautifulSoup(html)
table = soup.find_all('table')[0]
row = table.find_all('tr')[0]
cell = row.find_all('td')[0]

print cell

观察结果:

<td> hello </td>

必填结果:

<td>&nbsp;hello&nbsp;</td>

1 个答案:

答案 0 :(得分:7)

在bs4 convertEntities中,不再支持BeautifulSoup构造函数的参数。 HTML实体始终转换为相应的Unicode字符(请参阅docs)。

根据文档,您需要使用输出格式化程序,如下所示:

print soup.find_all('td')[0].prettify(formatter="html")