Question

如果我执行以下命令，请在BeautifulSoup4 for Python中使用：

soup = BeautifulSoup("<a href='http://somelink'>link</a>")
print soup

输出结果为：

<a href="http://somelink">link</a>

BeaurifulSoup用双引号替换单引号，我不希望这样。如何取消/覆盖该行为？

澄清：

我使用urllib2获取以下页面的html：http://www.download3000.com/然后使用BeautifulSoup4仅提取部分html。

我创建了一个函数，它接受一个文档（不总是html）和一些需要捕获的样本并返回一个正则表达式。我用下面的样本提供函数：

samples = [
    '/showarticles-1-0-date.html',
    '/showarticles-2-0-date.html',
    '/showarticles-3-0-date.html'
]

鉴于http://www.download3000.com/页面的html代码和上面的示例，我的函数返回以下正则表达式：\w\w><li><a href="(.*?)">\w\w\w\w\w

如果我将正则表达式应用于download3000的html代码，它将找不到任何匹配项。这是因为链接被html中的单引号包围，但是当我使用BeautifulSoup时，它用双引号替换单引号，并且生成的正则表达式仅适用于BeaurifulSoup修改的html。

这就是为什么我需要强制BeautifulSoup不要用双引号替换单引号，这样生成的正则表达式将为\w\w><li><a href='(.*?)'>\w\w\w\w\w，从而从页面中提取我需要的内容。

我可以使用转储解决方案，例如用["\']替换我的正则表达式中的所有单引号，但是正则表达式也会捕获一些我不想要的链接。

Answer 1

这适用于BeautifulSoup 3.2。我假设发生的事情就是单引号被转换为"然后解析器将它们包围起来“ 然后在输出时出现模式"'或'"

>>> c="<a href='http://somelink'>"
>>> from BeautifulSoup import BeautifulSoup
>>> import re
>>> d=re.sub("'","&quot;",c)
>>> e=BeautifulSoup(d)
>>> def qfix(x):  return re.sub("\'\"|\"'","'",x)
>>> qfix((str(e))

您可以使用类似于“qfix”作为BeautifulSoup 4

中的格式化程序

或者根本不起作用：）

BeautifulSoup用双引号替换单引号

1 个答案: