4

这是我的代码:

html = '''<img onload='javascript:if(this.width>950) this.width=950'
src="http://ww4.sinaimg.cn/mw600/c3107d40jw1e3rt4509j.jpg">'''
soup = BeautifulSoup(html)
imgs = soup.findAll('img')

print imgs[0].attrs

它会打印[(u'onload', u'javascript:if(this.width>950) this.width=950')]

那么src属性在哪里呢?

如果我用类似的东西替换htmlhtml = '''<img src="/image/fluffybunny.jpg" title="Harvey the bunny" alt="a cute little fluffy bunny" />'''

我得到正确的结果[(u'src', u'/image/fluffybunny.jpg'), (u'title', u'Harvey the bunny'), (u'alt', u'a cute little fluffy bunny')]

我对 HTML 和 beautifulsoup 很陌生。我缺少一些知识吗?感谢您的任何想法。

4

2 回答 2

8

我使用 BeautifulSoup 的第三版和第四版对此进行了测试,并注意到bs4(版本 4)似乎比版本 3 更好地修复了您的 HTML。

使用 BeautifulSoup 3:

>>> html = """<img onload='javascript:if(this.width>950) this.width=950' src="http://ww4.sinaimg.cn/mw600/c3107d40jw1e3rt4509j.jpg">"""
>>> soup = BeautifulSoup(html) # Version 3 of BeautifulSoup
>>> print soup
<img onload="javascript:if(this.width&gt;950) this.width=950" />950) this.width=950' src="http://ww4.sinaimg.cn/mw600/c3107d40jw1e3rt4509j.jpg"&gt;

请注意>现在&gt;的情况,有些位不合适。

此外,当您调用 BeautifulSoup() 时,它会将其拆分。如果你要打印soup.img,你会得到:

<img onload="javascript:if(this.width&gt;950) this.width=950" />

所以你会错过细节。

使用bs4(BeautifulSoup 4,当前版本):

>>> html = '''<img onload='javascript:if(this.width>950) this.width=950' src="http://ww4.sinaimg.cn/mw600/c3107d40jw1e3rt4509j.jpg">'''
>>> soup = BeautifulSoup(html) 
>>> print soup
<html><body><img onload="javascript:if(this.width&gt;950) this.width=950" src="http://ww4.sinaimg.cn/mw600/c3107d40jw1e3rt4509j.jpg"/></body></html>

现在有了.attrs:在 BeautifulSoup 3 中,它返回一个元组列表,正如您所发现的那样。在 BeautifulSoup 4 中,它返回一个字典:

>>> print soup.findAll('img')[0].attrs # Version 3
[(u'onload', u'javascript:if(this.width>950) this.width=950')]

>>> print soup.findAll('img')[0].attrs # Version 4
{'onload': 'javascript:if(this.width>950) this.width=950', 'src': 'http://ww4.sinaimg.cn/mw600/c3107d40jw1e3rt4509j.jpg'}

那么该怎么办?获取 BeautifulSoup 4。它将更好地解析 HTML。

顺便说一句,如果您想要的只是,则不需要src调用:.attrs

>>> print soup.findAll('img')[0].get('src')
http://ww4.sinaimg.cn/mw600/c3107d40jw1e3rt4509j.jpg
于 2013-04-16T10:59:18.447 回答
0

这种方法很有用:

image=container.find("div",{"class":"ika-picture-flex-box"})
image=image.find_all("source")
image[1].get('srcset')
于 2018-02-14T09:31:10.317 回答