代码之家 › 专栏 › 技术社区 › tsar2512

靓汤-如何在<head>元素之前获得元素?

beautifulsoup python

tsar2512 · 技术社区 · 7 年前

<head>

<?xml version="1.0" encoding="utf-8" standalone="no"?>
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.1//EN"
  "http://www.w3.org/TR/xhtml11/DTD/xhtml11.dtd">

<html xmlns="http://www.w3.org/1999/xhtml">
<head>

soup.head 或者尸体是 soup.body . 我想那是因为头部和身体都是标准标签。

有没有办法在 <头部> ?

1 回复 | 直到 7 年前

Alejandro Lorefice 7 年前

您可以通过选择head标记并在前面的元素上循环:

from bs4 import BeautifulSoup
from w3lib.html import remove_tags

html= '<?xml version="1.0" encoding="utf-8" standalone="no"?><!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.1//EN"  "http://www.w3.org/TR/xhtml11/DTD/xhtml11.dtd"><html xmlns="http://www.w3.org/1999/xhtml"><head>'

soup= BeautifulSoup(html,"html.parser")
x= soup.head

while x.previous_element != None:   

if not isinstance(x.previous_element, bs4.element.Tag):
    p = x.previous_element.PREFIX + str(x.previous_element) + 

x.previous_element.SUFFIX
        prev_head = prev_head + p
    else:
        prev_head = str(x.previous_element) + prev_head

    x = x.previous_element

prev_head = remove_tags(prev_head, which_ones= ("head",))

BeautifulSoup(prev_head)

<head> 在里面 prev_head 作为字符串那你就可以了 BeautifulSoup(prev_head) 获取一个BS对象供以后使用。

注意,我删除了 <头部> <html> 这是第一次 previous_element . 我还格式化了非标记元素,因为它们的平面str格式不包含前缀和后缀,因此无法在BS对象中使用。

推荐文章

Dinosaur · 使用BeautifulSoup点击div标签后抓取html页面

1 年前

Stackie · 无法使用Selenium访问废料数据的链接

1 年前

Avraham · 如何在JS中将beautifulsoup中的文本设置为.innerText而非.textContent

1 年前

Rayan CH TFG · 需要解释Python中的web抓取lambda函数

1 年前

hyoni · 使用Python BeautifulSoup进行网页抓取

1 年前

Canberra · 从网站上删除纬度和经度

1 年前

zero · bs4方法访问维基百科页面:获取信息框

2 年前

Oscar Tarrago · Beautiful Soup“.fund”无法从windows终端运行

2 年前

knowledge_seeker · 无法解析从Python中的HTML标记中的属性获得的JSON字符串

2 年前

Reonard1 · Web报废中的AttributeError

2 年前