为什么beauthulsoup在我的结果中添加<html><body><p>？

2024-10-02 02:41:06 发布

您现在位置：Python中文网/ 问答频道 /正文
3324 3

问题

我有以下Page01.htm

<!DOCTYPE html><html lang="it-IT"><head>    <meta charset="utf-8">    <meta http-equiv="X-UA-Compatible" content="IE=Edge">    <head><title>Title here</title></head>
<body>
<script id="TargetID" type="application/json"><![CDATA[
{ "name":"Kate", "age":22, "city":"Boston"}
]]>
</script><script id=“AnotherID” type="application/json"><![CDATA[{ "name":"John", "age":31, "city":"New York"}]]>
</script>
</body></html>

我想提取JSON中带有ID=TargetID的脚本标记之间的信息。在

我做了什么

我编写了以下Python 3.6代码：

^{pr2}$

现在，如果我查看vegas变量的内部，我可以看到

[<script id="TargetID" type="application/json"><![CDATA[ {
> "name":"Kate", "age":22, "city":"Boston"} ]]> </script>]

但是如果我尝试删除脚本标记（使用this answer脚本），我会得到以下JsonZ变量

'<html><body><p>[&lt;![CDATA[\n{ "name":"Kate", "age":22, "city":"Boston"}\n]]&gt;\n]</p></body></html>'

没有脚本标记但有另外3个标记（<html><body><p>）完全无用。 我的目标是获取下面的字符串{ "name":"Kate", "age":22, "city":"Boston"}，以便与pythonjson模块一起加载。在


Tags： name标记脚本idcityagehtmltype
2条回答
网友
1楼 · 编辑于 2024-10-02 02:41:06

它可以简化得多：

from bs4 import BeautifulSoup
soup = BeautifulSoup(open("/Users/me/Page01.htm", encoding='utf-8'), "html.parser")
result = soup.find('script', type='application/json', id='TargetID').text
# Workaround to get CDATA content (It seems that it can't be done with bs):
result = result.replace("<![CDATA[", "").replace("]]>", "").strip()
网友
2楼 · 编辑于 2024-10-02 02:41:06

beauthulsoup几乎可以接受任何东西，并尝试将其转换为一个完整的HTML页面。这就是你收到'<html><body> ...'的原因。通常这是一件好事，因为HTML的格式可能很糟糕，但是BeautifulSoup仍然会处理它。在

在您的例子中，提取json的一种方法如下所示。在

>>> import bs4
>>> page = bs4.BeautifulSoup(open('Page01.htm').read(), 'lxml')
>>> first_script = page.select('#TargetID')[0].text
>>> first_script 
'<![CDATA[\n{ "name":"Kate", "age":22, "city":"Boston"}\n]]>\n'
>>> content = first_script[first_script.find('{'): 1+first_script.rfind('}')]
>>> content
'{ "name":"Kate", "age":22, "city":"Boston"}'

一旦你有了这个，你就可以把它变成一个Python字典，就像这样。在

^{pr2}$

相关问题 更多 >

    编程相关推荐

    热门问题