使用 BeautifulSoup 获取文档 DOCTYPE
Posted
技术标签:
【中文标题】使用 BeautifulSoup 获取文档 DOCTYPE【英文标题】：Get document DOCTYPE with BeautifulSoup 【发布时间】：2011-01-30 18:12:14 【问题描述】：我刚刚开始修改scrapy 和BeautifulSoup，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获取返回的 html 的文档类型来自生成的汤对象的文档。
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>
谁能告诉我是否有办法使用 BeautifulSoup 从中提取声明的文档类型？
【问题讨论】：
【参考方案1】：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
【讨论】：
【参考方案2】：您可以遍历***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
【讨论】：
【参考方案3】：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"'
【讨论】：
小心，如果文档类型不是第一项，则此语法将中断。例如，当文档顶部有 xml 声明时。 这可能会返回任何内容，因为 doctype 可能会丢失而且经常会丢失。以上是关于使用 BeautifulSoup 获取文档 DOCTYPE的主要内容，如果未能解决你的问题，请参考以下文章