美丽的汤在源文件中找到标记的位置？

Posted 2021-04-05

我正在使用BeautifulSoup从html文件中提取信息。我希望能够捕获信息的位置，即BS标签对象的标签的HTML文件中的偏移量。

有没有办法做到这一点？

我目前正在使用lxml解析器，因为它是默认值。

答案

如果我正确地阅读您的问题，您正在使用BeautifulSoup解析一些HTML，然后使用汤来识别标签。获得标记后，您将尝试在原始html字符串中查找标记的索引位置。

使用BeautifulSoup捕获标记的索引位置的问题是，汤将根据给定的解析器改变html的结构。 lxml解析可能不会为字符表示提供字符，尤其是在汤中找到标记之后。

如果这将始终有效，那就太好了，但您可以尝试使用字符串的find方法来查找标记文本内容的位置，该文​​本内容应保持基本不变。

#!python
# html is a string containing your html document
soup = BeautifulSoup(html,'lxml')
# target is the tag you want to find
target = soup.find('p')
# now we locate the text of the target inside of the html document
html.find((target.text))

此方法不会从标记的开头开始，但应该能够在html中找到标记的内容。

如果你想知道汤体内标签的索引，那就更可行了。