BeautifulSoup 解析后返回间隔文本
Posted
技术标签:
【中文标题】BeautifulSoup 解析后返回间隔文本【英文标题】:BeautifulSoup returns spaced text after parsing 【发布时间】:2019-07-22 07:58:51 【问题描述】:我正在抓取一个本地 html 文档。但是,当我用漂亮的汤解析它时,它会以一种无法解析的丑陋(如下图所示)格式返回 html。
我使用的简单代码是:
path = 'alerts/myfile.htm'
file = open(os.path.abspath(path))
parser = BeautifulSoup(file,'html.parser')
file.close()
这件事快把我逼疯了。你有过同样的问题吗? 谢谢
【问题讨论】:
可以提供html文件吗? 不幸的是我不允许:( 【参考方案1】:在我看来,源文件编码存在问题。
加载文档时,BeautifulSoup 使用名为 Unicode Dammit 的子库将其转换为 UTF-8。
可能是您的文件已使用不同的编码保存,并且在转换中发生了某种错误。
由于我手头没有您的 html,我建议您调查一下您的文件是 ASCII 还是 Unicode 或任何其他编码,然后使用以下命令解析文件:
encoding = <your encoding here> (example "iso-8859-8")
parser = BeautifulSoup(file,'html.parser', from_encoding=encoding)
其他编码选项可以找到here
问候
更新
也可以试试:
parser = BeautifulSoup(file,'html.parser', from_encoding='utf-8')
【讨论】:
【参考方案2】:看起来原始文件是 UTF-16 格式。
无论出于何种原因,BeautifulSoup(..., from_encoding='utf-16le')
不理解这种情况,但您可以通过在将文件传递给 BS 之前手动读取和解码文件来解决此问题。
请参阅下面的脚本,其中我创建了一个 UTF-16LE 的 HTML 文件,转储其内容,尝试将其直接传递到 BS4,最后使用上述解决方法。
$ echo '<html><div>hello</div></html>' | iconv -f utf-8 -t utf-16le > y.html
$ file y.html
$ xxd y.html
00000000: 3c00 6800 7400 6d00 6c00 3e00 3c00 6400 <.h.t.m.l.>.<.d.
00000010: 6900 7600 3e00 6800 6500 6c00 6c00 6f00 i.v.>.h.e.l.l.o.
00000020: 3c00 2f00 6400 6900 7600 3e00 3c00 2f00 <./.d.i.v.>.<./.
00000030: 6800 7400 6d00 6c00 3e00 0a00 h.t.m.l.>...
$ python
>>> import bs4
>>> s = bs4.BeautifulSoup(open('y.html'))
<html><div>hello</div></html>
>>> s = bs4.BeautifulSoup(open('y.html'), from_encoding='utf-16le')
<html><div>hello</div></html>
>>> s = bs4.BeautifulSoup(open('y.html'), 'html.parser', from_encoding='utf-16le')
<html><div>hello</div></html>
>>> d = open('y.html', 'rb').read().decode('utf-16le')
>>> d
'<html><div>hello</div></html>\n'
>>> s = bs4.BeautifulSoup(d)
>>> s
<html><div>hello</div></html>
>>>
【讨论】:
【参考方案3】:我想我解决了:我的文件采用 UCL-2 编码。我所做的是:
path = 'alerts/myfile.htm'
file = open(os.path.abspath(path),'rb')
parser = BeautifulSoup(file.read().decode('utf-8'),'html.parser')
file.close()
parser.find('table', attrs = 'class':'MsoNormalTable')
现在是输出:
【讨论】:
以上是关于BeautifulSoup 解析后返回间隔文本的主要内容,如果未能解决你的问题,请参考以下文章
BeautifulSoup .text 方法返回不带分隔符的文本(\n、\r 等)
网页内容爬取:如何提取正文内容 BEAUTIFULSOUP的输出
将 BeautifulSoup 元素解析为 Selenium