Beautifulsoup, de frère, de structure avec les balises br

Je suis en train d'analyser un document HTML à l'aide de la BeautifulSoup bibliothèque Python, mais la structure devient déformée par <br> balises. Laissez-moi juste vous donner un exemple.

D'entrée HTML:

<div>
  some text <br>
  <span> some more text </span> <br>
  <span> and more text </span>
</div>

HTML que BeautifulSoup interprète:

<div>
  some text
  <br>
    <span> some more text </span>
    <br>
      <span> and more text </span>
    </br>
  </br>
</div>

Dans la source, les travées pourraient être considérés comme frères et sœurs. Après l'analyse (à l'aide de l'analyseur par défaut), les travées sont tout à coup plus les frères et sœurs, comme les balises br est devenu une partie de la structure.

La solution je pense pour résoudre ce problème est de dépouiller le <br> étiquettes au total, avant de verser le code html sur Beautifulsoup, mais ça ne semble pas très élégant, comme il m'oblige à modifier l'entrée. Ce est une meilleure façon de résoudre ce problème?

  • Devrait-il y avoir deux balises span là, vous semblez avoir <span
  • Même la fixation de la durée, j'ai recréé l'erreur à l'aide bs4. bs3, cependant, n'a pas de problèmes.
  • En effet. La plage était une faute de frappe, et pas dans mon code. dilbert est correct.
InformationsquelleAutor Joost | 2013-07-14
  1. 8

    Votre meilleur pari est de extract() les sauts de ligne. Il est plus facile que vous le pensez :).

    >>> from bs4 import BeautifulSoup as BS
>>> html = """<div>
...   some text <br>
...   <span> some more text </span> <br>
...   <span> and more text </span>
... </div>"""
>>> soup = BS(html)
>>> for linebreak in soup.find_all('br'):
...     linebreak.extract()
... 
<br/>
<br/>
>>> print soup.prettify()
<html>
 <body>
  <div>
   some text
   <span>
    some more text
   </span>
   <span>
    and more text
   </span>
  </div>
 </body>
</html>
    • Néanmoins, bs4 a un problème.
    • Bon à voir, il fonctionne, mais je n'arrive pas à trouver la méthode d'extraction dans les Docs. Que faut-il faire?
    • href="http://www.crummy.com/software/BeautifulSoup/bs4/doc/#extract" >par ici 😉
    • Merci pour le lien! C'est un peu bizarre de le voir utilisé comme ça, parce qu'il n'a pas vraiment supprimer le contenu de ce qui est entre les <br> et </br> balises (le dernier créé par BS). Pas exactement comment l'exemple des œuvres dans les docs, d'effacer le contenu de la <i> balise ainsi. Bug ou Fonctionnalité?
    • J'ai peut-être tort, mais <br> et </br> sont en fait la même chose. Ce n'est pas l'une de ces balises que vous ouvrir/fermer (je ne suis pas un expert en HTML). La seule différence, je pense, est que ce dernier est obsolète, mais ne pas me citer.
    • Autant que je sache, c'est <br> et <br />, c'est pourquoi il m'a beaucoup surpris que BS permettrait d'ajouter une balise de fermeture (c'est à dire </br>).
    • Hah, je pense que vous avez raison :p. Peut-être que c'est un bug, ou c'est peut-être juste BeautifulSoup la voie de la "fixation" "cassé" HTML. Ty pour l'accepter 🙂

    InformationsquelleAutor TerryA
  2. 5

    Vous pouvez aussi faire quelque chose comme ça:

    str(soup).replace("</br>", "")
    InformationsquelleAutor jns
  3. 5

    C'est une super vieille question, mais j'ai juste eu un problème similaire parce que mon document contenait closong </br>balises. De ce fait, des blocs massifs de document ont été tout simplement ignorés par les beatifulsoup ( bs essayer de faire face à une balise de fermeture, je suppose.) soup.find_all('br') n'a pas fait de trouver quoi que ce soit car il n'y avait pas d'ouverture br marque, de sorte que je ne pouvais pas utiliser le extract() méthode.

    Après le dénigrement de ma tête pendant une heure, j'ai trouvé que l'utilisation de lxml analyseur de html par défaut réglé le problème.

    soup = BeautifulSoup(page, 'lxml')

    • Notez qu'il sera également ajouter redondant <html><body> balises, et ce qui est encore pire, si vous avez la pièce de texte qui n'est pas fermé dans certaines balises HTML, il sera enveloppé par élément span.
    • Pour être clair, c'est votre commentaire à propos de la lxml analyseur ou celui par défaut?
    • Eh bien, faites attention comment chaque analyseur ajoute uneccesary des éléments ET/OU auto-changement du code HTML non valide (par exemple <br/> est automatiquement changé en </br>, etc.). crummy.com/software/BeautifulSoup/bs4/doc/...
    • ah ok merci pour le lien. Semble que c'est ce que la plupart d'entre eux, et au moins lxml ne pas ajouter <head> balises.
    InformationsquelleAutor redFur