4

如果我执行以下命令，则在 Python 的 BeautifulSoup4 中：

soup = BeautifulSoup("<a href='http://somelink'>link</a>")
print soup

输出是：

<a href="http://somelink">link</a>

BeaurifulSoup 用双引号替换单引号，我不希望这样。如何取消/覆盖该行为？

澄清：

我使用urllib2获取以下页面的html：http://www.download3000.com/然后使用BeautifulSoup4仅提取部分html。

我制作了一个函数，它接受一个文档（并不总是 html）和一些它需要捕获的样本并返回一个正则表达式。我用以下示例提供函数：

samples = [
    '/showarticles-1-0-date.html',
    '/showarticles-2-0-date.html',
    '/showarticles-3-0-date.html'
]

给定http://www.download3000.com/页面的 html 代码和上面的示例，我的函数返回以下正则表达式：\w\w><li><a href="(.*?)">\w\w\w\w\w

如果我将正则表达式应用于 download3000 的 html 代码，它将找不到任何匹配项。那是因为链接在 html 中被单引号包围，但是当我使用 BeautifulSoup 时，它将单引号替换为双引号，并且生成的正则表达式仅适用于 BeaurifulSoup 修改的 html。

这就是为什么我需要强制 BeautifulSoup 不要用双引号替换单引号，这样生成的正则表达式就会是\w\w><li><a href='(.*?)'>\w\w\w\w\w，从而从页面中提取我需要的内容。

我可以使用转储解决方案，例如将正则表达式中的所有单引号替换为["\']，但随后正则表达式也会捕获一些我不想要的链接。

4

1 回答 1

0

这适用于 BeautifulSoup 3.2。我假设正在发生的事情是单引号被转换为&quot;解析器然后用 " 包围它们然后在输出模式"'或'"发生

>>> c="<a href='http://somelink'>"
>>> from BeautifulSoup import BeautifulSoup
>>> import re
>>> d=re.sub("'","&quot;",c)
>>> e=BeautifulSoup(d)
>>> def qfix(x):  return re.sub("\'\"|\"'","'",x)
>>> qfix((str(e))

您也许可以在 BeautifulSoup 4 中使用类似于“qfix”的格式化程序

或者它可能根本不起作用:)

于 2013-07-22T14:31:35.730 回答