11

我有一个我正在抓取的网站，它具有以下类似的结构。我希望能够从 CData 块中获取信息。

我正在使用 BeautifulSoup 从页面中提取其他信息，所以如果解决方案可以使用它，它将有助于降低我的学习曲线，因为我是一个 python 新手。具体来说，我想了解隐藏在 CData 语句中的两种不同类型的数据。第一个只是文本我很确定我可以在它上面扔一个正则表达式并得到我需要的东西。对于第二种类型，如果我可以将包含 html 元素的数据放入它自己的 beautifulsoup 中，我可以解析它。

我只是在学习python和beautifulsoup，所以我正在努力寻找能够单独给我CData的神奇咒语。

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN"   "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">  
<head>  
<title>
   Cows and Sheep
  </title>
</head>
<body>
 <div id="main">
  <div id="main-precontents">
   <div id="main-contents" class="main-contents">
    <script type="text/javascript">
       //<![CDATA[var _ = g_cow;_[7654]={cowname_enus:'cows rule!',leather_quality:99,icon:'cow_level_23'};_[37357]={sheepname_enus:'baa breath',wool_quality:75,icon:'sheep_level_23'};_[39654].cowmeat_enus = '<table><tr><td><b class="q4">cows rule!</b><br></br>
       <!--ts-->
       get it now<table width="100%"><tr><td>NOW</td><th>NOW</th></tr></table><span>244 Cows</span><br></br>67 leather<br></br>68 Brains
       <!--yy-->
       <span class="q0">Cow Bonus: +9 Cow Power</span><br></br>Sheep Power 60 / 60<br></br>Sheep 88<br></br>Cow Level 555</td></tr></table>
       <!--?5695:5:40:45-->
       ';
        //]]>
      </script>
     </div>
     </div>
    </div>
 </body>
</html>
4

5 回答 5

14

您需要注意BeautifulSoup 抓取 CData的一件事是不要使用 lxml 解析器。

默认情况下，lxml 解析器将从树中删除 CDATA 部分并用纯文本内容替换它们，在此处了解更多信息

#Trying it with html.parser


>>> from bs4 import BeautifulSoup
>>> import bs4
>>> s='''<?xml version="1.0" ?>
<foo>
    <bar><![CDATA[
        aaaaaaaaaaaaa
    ]]></bar>
</foo>'''
>>> soup = BeautifulSoup(s, "html.parser")
>>> soup.find(text=lambda tag: isinstance(tag, bs4.CData)).string.strip()
'aaaaaaaaaaaaa'
>>>
于 2016-12-28T14:58:03.290 回答
13

BeautifulSoup 将 CData 视为“可导航字符串”的特例（子类）。例如：

import BeautifulSoup

txt = '''<foobar>We have
       <![CDATA[some data here]]>
       and more.
       </foobar>'''

soup = BeautifulSoup.BeautifulSoup(txt)
for cd in soup.findAll(text=True):
  if isinstance(cd, BeautifulSoup.CData):
    print 'CData contents: %r' % cd

在您的情况下，您当然可以查看从具有“主内容”ID 的 div 开始的子树，而不是整个文档树。

于 2010-01-09T03:31:41.673 回答
4

你可以试试这个：

from BeautifulSoup import BeautifulSoup

// source.html contains your html above
f = open('source.html')
soup = BeautifulSoup(''.join(f.readlines()))
s = soup.findAll('script')
cdata = s[0].contents[0]

那应该给你cdata的内容。

更新

这可能更干净一点：

from BeautifulSoup import BeautifulSoup
import re

// source.html contains your html above
f = open('source.html')
soup = BeautifulSoup(''.join(f.readlines()))
cdata = soup.find(text=re.compile("CDATA"))

只是个人喜好，但我更喜欢底部的一个。

于 2010-01-09T03:19:21.430 回答
0 
import re
from bs4 import BeautifulSoup

soup = BeautifulSoup(content)
for x in soup.find_all('item'):
    print re.sub('[\[CDATA\]]', '', x.string)
于 2014-05-20T08:16:52.743 回答
0

对于使用 BeautifulSoup4 的任何人，Alex Martelli 的解决方案都有效，但请执行以下操作：

from bs4 import BeautifulSoup, CData

soup = BeautifulSoup(txt)
for cd in soup.findAll(text=True):
  if isinstance(cd, Cdata):
    print 'CData contents: %r' % cd
于 2019-03-14T21:15:17.947 回答