Question

我有一个我正在抓的网站，其结构如下。我希望能够从CData块中获取信息。

我正在使用BeautifulSoup从页面中提取其他信息，所以如果解决方案可以解决这个问题，那么这将有助于保持我的学习曲线，因为我是一个python新手。具体来说，我想了解隐藏在CData语句中的两种不同类型的数据。第一个只是文本我很确定我可以抛出一个正则表达式并得到我需要的东西。对于第二种类型，如果我可以将具有html元素的数据放入其自己的beautifulsoup中，我可以解析它。

我只是在学习python和beautifulsoup，所以我很难找到能够让我自己获得CData的神奇咒语。

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN"   "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">  
<head>  
<title>
   Cows and Sheep
  </title>
</head>
<body>
 <div id="main">
  <div id="main-precontents">
   <div id="main-contents" class="main-contents">
    <script type="text/javascript">
       //<![CDATA[var _ = g_cow;_[7654]={cowname_enus:'cows rule!',leather_quality:99,icon:'cow_level_23'};_[37357]={sheepname_enus:'baa breath',wool_quality:75,icon:'sheep_level_23'};_[39654].cowmeat_enus = '<table><tr><td><b class="q4">cows rule!</b><br></br>
       <!--ts-->
       get it now<table width="100%"><tr><td>NOW</td><th>NOW</th></tr></table><span>244 Cows</span><br></br>67 leather<br></br>68 Brains
       <!--yy-->
       <span class="q0">Cow Bonus: +9 Cow Power</span><br></br>Sheep Power 60 / 60<br></br>Sheep 88<br></br>Cow Level 555</td></tr></table>
       <!--?5695:5:40:45-->
       ';
        //]]>
      </script>
     </div>
     </div>
    </div>
 </body>
</html>

Answer 1

BeautifulSoup将CData视为“可导航字符串”的特例（子类）。例如：

import BeautifulSoup

txt = '''<foobar>We have
       <![CDATA[some data here]]>
       and more.
       </foobar>'''

soup = BeautifulSoup.BeautifulSoup(txt)
for cd in soup.findAll(text=True):
  if isinstance(cd, BeautifulSoup.CData):
    print 'CData contents: %r' % cd

在你的情况下，你当然可以查看从div开始的带有'main-contents'ID的子树，而不是整个文档树。

Answer 2

你可以试试这个：

from BeautifulSoup import BeautifulSoup

// source.html contains your html above
f = open('source.html')
soup = BeautifulSoup(''.join(f.readlines()))
s = soup.findAll('script')
cdata = s[0].contents[0]

那应该给你cdata的内容。

<强>更新

这可能更清洁：

from BeautifulSoup import BeautifulSoup
import re

// source.html contains your html above
f = open('source.html')
soup = BeautifulSoup(''.join(f.readlines()))
cdata = soup.find(text=re.compile("CDATA"))

只是个人偏好，但我更喜欢底部的一个。

Answer 3

你需要注意 BeautifulSoup抓取CData 的一件事是不要使用lxml解析器。

默认情况下，lxml解析器将从树中剥离CDATA部分，并用纯文本内容替换它们。了解更多here

#Trying it with html.parser


>>> from bs4 import BeautifulSoup
>>> import bs4
>>> s='''<?xml version="1.0" ?>
<foo>
    <bar><![CDATA[
        aaaaaaaaaaaaa
    ]]></bar>
</foo>'''
>>> soup = BeautifulSoup(s, "html.parser")
>>> soup.find(text=lambda tag: isinstance(tag, bs4.CData)).string.strip()
'aaaaaaaaaaaaa'
>>>

Answer 4

import re
from bs4 import BeautifulSoup

soup = BeautifulSoup(content)
for x in soup.find_all('item'):
    print re.sub('[\[CDATA\]]', '', x.string)

Answer 5

对于使用BeautifulSoup4的任何人，Alex Martelli的解决方案都可以，但是可以这样做：

from bs4 import BeautifulSoup, CData

soup = BeautifulSoup(txt)
for cd in soup.findAll(text=True):
  if isinstance(cd, Cdata):
    print 'CData contents: %r' % cd

我如何从BeautifulSoup中取出CData

5 个答案: