Question

我正在使用Google API，他们提供了返回JSON或ATOM的选项。 ATOM看起来像XML语法，我想使用BeautifulSoup来解析它。

将它转换为BeautifulSoup对象没有问题，但我很难找到该元素。以ATOM文档的一段为例：

from bs4 import BeautifulSoup

feed = """
<cse:DataObject type="cse_thumbnail">
        <cse:Attribute name="width" value="160"/>
        <cse:Attribute name="height" value="160"/>
        <cse:Attribute name="src" value="https://encrypted-tbn1.gstatic.com/images?q=tbn:ANd9GcRAUAShHrU8LK9MLEMEcfg-rtYgLzaxUP-j30lNJJdP1P6FBdVIziH4LTY"/>
</cse:DataObject>
"""

soup = BeautifulSoup(feed)

print soup.find_all("cse:Attribute", {"value":"160"})

...它返回一个空列表。我做错了什么？

Answer 1

您编写的代码将XML解析为HTML，并且因为HTML不区分大小写，所以BeautifulSoup converts all tag names to lowercase：

因为HTML tags and attributes are case-insensitive，所有三个HTML解析器都将标记和属性名称转换为小写。也就是说，标记<TAG></TAG>将转换为<tag></tag>。如果您想保留大小写或大写的标签和属性，则需要parse the document as XML。

搜索标签的小写版本可以正常工作：

>>> soup.find_all("cse:attribute", {"value":"160"})
[<cse:attribute name="width" value="160"></cse:attribute>, 
 <cse:attribute name="height" value="160"></cse:attribute>]

正如引用文本所提到的，另一种方法是使用XML解析器，它将保留大小写。但是，带有lxml解析器的BeautifulSoup会从标记名称中删除名称空间...

>>> soup = BeautifulSoup(feed, "xml")
>>> soup
<?xml version="1.0" encoding="utf-8"?>
<DataObject type="cse_thumbnail">
<Attribute name="width" value="160"/>
<Attribute name="height" value="160"/>
<Attribute name="src" value="https://encrypted-tbn1.gstatic.com/images?q=tbn:ANd9GcRAUAShHrU8LK9MLEMEcfg-rtYgLzaxUP-j30lNJJdP1P6FBdVIziH4LTY"/>
</DataObject>
>>> soup.find_all("cse:Attribute", {"value":"160"})
[]
>>> soup.find_all("cse:attribute", {"value":"160"})
[]
>>> soup.find_all("Attribute", {"value":"160"})
[<Attribute name="width" value="160"/>,
 <Attribute name="height" value="160"/>]

......这可能不是你想要的。

如何在ATOM XML文档中搜索混合大小写标记名称？

1 个答案: