9

我刚刚开始与BeautifulSoup一起修补scrapy ,我想知道我是否遗漏了一些非常明显的东西,但我似乎无法弄清楚如何从生成的汤对象中获取返回的 html 文档的文档类型。

给定以下html:

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN" "http://www.w3.org/TR/html4/strict.dtd">
<html lang="en"> 
<head> 
<meta charset=utf-8 />
<meta name="viewport" content="width=620" />
<title>HTML5 Demos and Examples</title> 
<link rel="stylesheet" href="/css/html5demos.css" type="text/css" /> 
<script src="js/h5utils.js"></script> 
</head> 
<body>
<p id="firstpara" align="center">This is paragraph <b>one</b>
<p id="secondpara" align="blah">This is paragraph <b>two</b>.
</html>

谁能告诉我是否有一种方法可以使用 BeautifulSoup 从中提取声明的文档类型?

4

3 回答 3

6

Beautiful Soup 4 有一个用于 DOCTYPE 声明的类,因此您可以使用它来提取顶层的所有声明(尽管您无疑期望一个或一个都没有!)

def doctype(soup):
    items = [item for item in soup.contents if isinstance(item, bs4.Doctype)]
    return items[0] if items else None
于 2013-06-02T10:54:41.533 回答
3

您可以浏览顶级元素并检查每个元素以查看它是否是声明。然后您可以检查它以找出它是哪种声明:

for child in soup.contents:
    if isinstance(child, BS.Declaration):
        declaration_type = child.string.split()[0]
        if declaration_type.upper() == 'DOCTYPE':
            declaration = child
于 2011-03-31T09:33:11.233 回答
-1

您可以只获取汤内容中的第一项:

>>> soup.contents[0]
u'DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN" "http://www.w3.org/TR/html4/strict.dtd"'
于 2010-03-23T19:53:40.957 回答