3

我有一个结构如下的 XHTML 文件：

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE html>
<html lang="en">
<head>
...
</head>
<body>
...
</body>
<html>

我正在使用 BeautifulSoup，我想从文档中删除 XML 声明，所以我所拥有的看起来像这样：

<!DOCTYPE html>
<html lang="en">
<head>
...
</head>
<body>
...
</body>
<html>

我找不到获取 XML 声明以将其删除的方法。据我所知，它似乎不是 Doctype、Declaration、Tag 或 NavigableString。有没有办法找到它来提取它？

作为一个工作示例，我可以使用这样的代码删除 Doctype（假设文档文本是变量“html”）：

soup = BeautifulSoup(html)
[item.extract() for item in soup.contents if isinstance(item, Doctype)]
4

2 回答 2

3

您可以使用以下方法：

import bs4

soup = bs4.BeautifulSoup(html, 'html.parser')

for e in soup:
    if isinstance(e, bs4.element.ProcessingInstruction):
        e.extract()
        break

print(soup)

对于您的示例，这将为您提供更新后的 HTML：

<!DOCTYPE html>

<html lang="en">
<head>
...
</head>
<body>
...
</body>
<html></html></html>
于 2015-10-19T06:25:32.240 回答
0

以下是在一些非常简单的情况下对我有用的方法：

from bs4 import BeautifulSoup
s = "<a value='label'/>"
s = BeautifulSoup(s, 'xml')
print(s)
## <?xml version="1.0" encoding="utf-8"?>
## <a value="label"/>

  1. 使用 bs 语法：

    s.decode_contents()
## '<a value="label"/>'

  2. 使用 string.split：

    str(s).split("\n")[-1]
## '<a value="label"/>'
于 2020-05-02T08:41:03.620 回答