Не ставьте теги html, head и body автоматически, beautifulsoup

используя beautifulsoup с html5lib, он автоматически помещает теги html, head и body:

BeautifulSoup('<h1>FOO</h1>', 'html5lib') # => <html><head></head><body><h1>FOO</h1></body></html>

есть ли какой-либо параметр, который я могу установить, отключить это поведение?

Ответы

Ответ 1

In [35]: import bs4 as bs

In [36]: bs.BeautifulSoup('<h1>FOO</h1>', "html.parser")
Out[36]: <h1>FOO</h1>

Этот анализирует HTML с помощью встроенного HTML-анализатора Python. Цитирование документов:

В отличие от html5lib, этот анализатор не пытается создать хорошо сформированный HTML, добавив тег <body>. В отличие от lxml, он даже не добавьте тег <html>.

В качестве альтернативы вы можете использовать парсер html5lib и просто выбрать элемент после <body>:

In [61]: soup = bs.BeautifulSoup('<h1>FOO</h1>', 'html5lib')

In [62]: soup.body.next
Out[62]: <h1>FOO</h1>

Ответ 2

Ваш единственный вариант - не использовать html5lib для анализа данных.

Это функция библиотеки html5lib, она исправляет недостающий HTML-код, например, добавление обратно в отсутствующие требуемые элементы.

Ответ 3

Давайте сначала создадим образец супа:

soup=BeautifulSoup("<head></head><body><p>content</p></body>")

Вы можете получить html и body child, указав soup.body.<tag>:

# python3: get body first child
print(next(soup.body.children))

# if first child tag is rss
print(soup.body.rss)

Также вы можете использовать unwrap() для удаления тела, головы и HTML

soup.html.body.unwrap()
if soup.html.select('> head'):
    soup.html.head.unwrap()
soup.html.unwrap()

Если вы загрузите XML файл, bs4.diagnose(data) скажет вам использовать lxml-xml, который не обернет ваш суп с html+body

>>> BS('<foo>xxx</foo>', 'lxml-xml')
<foo>xxx</foo>

Ответ 4

Еще одно решение:

from bs4 import BeautifulSoup
soup = BeautifulSoup('<p>Hello <a href="http://google.com">Google</a></p><p>Hi!</p>', 'lxml')
# content handling example (just for example)
# replace Google with StackOverflow
for a in soup.findAll('a'):
  a['href'] = 'http://stackoverflow.com/'
  a.string = 'StackOverflow'
print ''.join([unicode(i) for i in soup.html.body.findChildren(recursive=False)])

Ответ 5

Если вы хотите, чтобы это выглядело лучше, попробуйте это:

BeautifulSoup ([содержимое, которое вы хотите проанализировать] .prettify())