Question

依赖关系： BeautifulSoup == 3.2.1

In: from BeautifulSoup import BeautifulSoup
In: BeautifulSoup('<p><p>123</p></p>')
Out: <p></p><p>123</p>

为什么两个相邻的标签不在输出中？

Answer 1

这只是BS3的解析器修复你的broken html。

P元素代表一个段落。它不能包含块级元素（包括P本身）。

Answer 2

此

<p><p>123</p></p>

是无效的HTML。 p s无法嵌套。 BS试图清理它。

当BS遇到第二个时，它认为第一个p已完成，因此它会插入一个结束。输入中的第二个与开头不匹配，因此会被删除。

Answer 3

这是因为BeautifulSoup具有此NESTABLE_TAGS概念/设置：

当Beautiful Soup正在解析文档时，它会保持一堆打开 标签。每当它看到一个新的开始标记时，它就会抛出该标记 堆栈。但在此之前，它可能会关闭一些开放标签 并从堆栈中删除它们。它关闭的标签取决于 它刚刚找到的标签的质量，以及标签的质量 叠加。

因此，当Beautiful Soup遇到标签时，它会关闭并弹出所有标签 标签最多包括以前遇到的标签 相同的类型。这是默认行为，这就是方法 BeautifulStoneSoup处理每个标签。这是标签的结果 在NESTABLE_TAGS或RESET_NESTING_TAGS中没有提到。这也是 当标签出现在RESET_NESTING_TAGS但没有时，你得到了什么 在NESTABLE_TAGS中输入标记的方式。

>>> pprint(BeautifulSoup.NESTABLE_TAGS)
{'bdo': [],
 'blockquote': [],
 'center': [],
 'dd': ['dl'],
 'del': [],
 'div': [],
 'dl': [],
 'dt': ['dl'],
 'fieldset': [],
 'font': [],
 'ins': [],
 'li': ['ul', 'ol'],
 'object': [],
 'ol': [],
 'q': [],
 'span': [],
 'sub': [],
 'sup': [],
 'table': [],
 'tbody': ['table'],
 'td': ['tr'],
 'tfoot': ['table'],
 'th': ['tr'],
 'thead': ['table'],
 'tr': ['table', 'tbody', 'tfoot', 'thead'],
 'ul': []}

作为解决方法，您可以允许p代码位于p内：

>>> from BeautifulSoup import BeautifulSoup
>>> BeautifulSoup.NESTABLE_TAGS['p'] = ['p']
>>> BeautifulSoup('<p><p>123</p></p>')
<p><p>123</p></p>

此外，不再维护BeautifulSoup第3版 - 您应该切换到BeautifulSoup4。

使用BeautifulSoup4时，您可以更改基础parser以更改行为：

>>> from bs4 import BeautifulSoup
>>> BeautifulSoup('<p><p>123</p></p>')
<html><body><p></p><p>123</p></body></html>
>>> BeautifulSoup('<p><p>123</p></p>', 'html.parser')
<p><p>123</p></p>
>>> BeautifulSoup('<p><p>123</p></p>', 'xml')
<?xml version="1.0" encoding="utf-8"?>
<p><p>123</p></p>
>>> BeautifulSoup('<p><p>123</p></p>', 'html5lib')
<html><head></head><body><p></p><p>123</p><p></p></body></html>

BeautifulSoup无法解析嵌套的<p>元素</p>

3 个答案: