Python中使用BeautifulSoup美化方法的奇怪错误

Question

我有以下问题。我写了一个简单的“TextBasedBrowser”（如果你现在可以称它为browser:D）。到目前为止，使用BS4进行的网站抓取和解析工作非常出色，但其格式非常糟糕，几乎无法阅读。当我尝试使用BS4中的prettify（）方法时，它会抛出一个AttributeError。我在谷歌上搜索了很长时间，但什么也没找到。这是我的代码（prettify（）方法在那里被注释）：

from bs4 import BeautifulSoup
import requests
import sys
import os

legal_html_tags = ['p', 'a', 'ul', 'ol', 'li', 'h1', 'h2', 'h3', 'h4', 'h5', 'h6', 'title']
saved_pages = []


def search_url(url):
    saved_pages.append(url.rstrip(".com"))
    url = requests.get(f'https://{url}')
    return url.text


def parse_html(html_page):
    final_text = ""
    soup = BeautifulSoup(html_page, 'html.parser')
    # soup = soup.prettify()
    plain_text = soup.find_all(text=True)
    for t in plain_text:
        if t.parent.name in legal_html_tags:
            final_text += '{} '.format(t)
    return final_text


def save_webpage(url, tb_dir):
    with open(f'{tb_dir}/{url.rstrip(".com")}.txt', 'w', encoding="utf-8") as tab:
        tab.write(parse_html(search_url(url)))


def check_url(url):
    if url.endswith(".com") or url.endswith(".org") or url.endswith(".net"):
        return True
    else:
        return False


args = sys.argv
directory = args[1]
try:
    os.mkdir(directory)
except FileExistsError:
    print("Error: File already exists")

while True:
    url_ = input()
    if url_ == "exit":
        break
    elif url_ in saved_pages:
        with open(f'{directory}/{url_}.txt', 'r', encoding="utf-8") as curr_page:
            print(curr_page.read())
    elif not check_url(url_):
        print("Error: Invalid URL")
    else:
        save_webpage(url_, directory)
        print(parse_html(search_url(url_)))

这就是错误：

Traceback (most recent call last):
  File "browser.py", line 56, in <module>
    save_webpage(url_, directory)
  File "browser.py", line 29, in save_webpage
    tab.write(parse_html(search_url(url)))
  File "browser.py", line 20, in parse_html
    plain_text = soup.find_all(text=True)
AttributeError: 'str' object has no attribute 'find_all'

如果我在prettify（）方法中包含encoding参数，它会抛出“bytes”而不是“str”对象

Answer 1

您已使用.prettify（）方法将soup变量重新分配到字符串中

soup = soup.prettify()

find_all（）是一个仅用于soup对象的方法

您应该首先调用find_all（text=True）并用文本提取所有html标记，然后执行字符串操作

Answer 2

prettify将解析后的HTML对象转换为字符串，因此无法对其调用find_all。也许你只是想return soup.prettify()？ 这可能是您想要的：

def parse_html(html_page):
    final_text = ""
    soup = BeautifulSoup(html_page, 'html.parser')
    plain_text = soup.find_all(text=True)
    for t in plain_text:
        if t.parent.name in legal_html_tags:
            final_text += t.prettify() + " "
    return final_text