python - BeautifulSoup 返回关闭标签而不是标签文本

标签 python xml beautifulsoup lxml

我有以下 rss feed (soundcloud) http://feeds.soundcloud.com/users/soundcloud:users:7393028/sounds.rss :

<item>
      <pubDate>Mon, 05 Jun 2017 00:00:00 +0000</pubDate>
      <link>https://example.com</link>
<item>

我尝试使用以下内容获取链接标记内容:

soup = BeautifulSoup(response, "lxml")


items = soup.findAll("item")
for i in items:
    print i
    created_at = i.find('pubdate')
    created_at = created_at.contents[0][:16]

    url = i.find('link')

This prints:

    <link/>

如果我尝试 url = i.find('link').stringurl = i.find('link').content

我明白

None

当我打印“i”项目时,它首先打印链接的关闭标记:

https://soundcloud.com/daptone-records/sharon-jones-the-dap-kings-white-christmas 00:02:23 达普通唱片公司 不 Sharon Jones & the Dap-Kings 的首张假日专辑现已发行!

如何才能正确打开链接?

最佳答案

你可以做这样的事情,它会完成工作:

from bs4 import BeautifulSoup as bs 
from urllib.request import urlopen

url = 'http://feeds.soundcloud.com/users/soundcloud:users:7393028/sounds.rss'
data = urlopen(url).read()

parsed = bs(data, 'xml')
items = parsed.findAll('item')

for k in items:
    # Here is how you can access to the tags inside item tag
    print("Link:", k.link.text)
    print("pubDate:", k.pubDate.text)

编辑:使用lxml

当我尝试解析<link>...</link>时使用 BeautifulSoup 标记和lxml我收到无效标签。每个链接的标签都以 </link> 开头和BeautifulSoup无法解析其数据。

因此,一个简单的破解方法是使用 regex ,这是一个例子:

from bs4 import BeautifulSoup as bs 
from urllib.request import urlopen
import re

url = 'http://feeds.soundcloud.com/users/soundcloud:users:7393028/sounds.rss'
data = urlopen(url).read()

soup = bs(data, 'lxml')
aa = soup.findAll('item')

for k in aa:
    link = re.findall('<link/>(.*?)\s+', str(k))
    pubdate = k.find('pubdate').string
    print("Link: {}\npubdate: {}".format(' '.join(link), pubdate))

两种方法都会输出:

Link: https://soundcloud.com/daptone-records/move-upstairs
pubDate: Tue, 21 Mar 2017 20:30:49 +0000
...
Link: https://soundcloud.com/daptone-records/the-frightnrs-id-rather-go-blind-1
pubDate: Sun, 28 Jun 2015 00:00:00 +0000

关于python - BeautifulSoup 返回关闭标签而不是标签文本,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/44534715/

相关文章:

sql-server - 在 SQL Server 中将 UTF8 转换为 uTF16

python - 在不使用IIS的情况下将django站点部署到Windows服务器

python - 如何将多个文件添加到一个 zip 文件夹中

python - 具有多个服务器的 Flask-login 如何工作

python - 使用 Beautiful Soup 查找包含 unicode 字形的元素

python - 如何修复来自数据库的 Python 请求/BeautifulSoup 响应

python - 如何在windows上用python 2.7安装beautiful soup 4

Python:引用列表的类对象列表

java - 在文本区域中转义 XML 标签

java - 错误:(12) No resource identifier found for attribute 'el_headerLayout' in package