python - BeaitifulSoup 无法读取所有命名空间

Question

我有一个 XBRL 文档，它应该是一个 XML 文档。

我正在尝试提取按命名空间分组的不同标签。虽然代码似乎适用于某些命名空间 (us-gaap)，但它似乎无法用于其他命名空间 (xbrli)。但是，在 xml 文件中有很多类型为 * < xbrli: ... >* 的标签

代码:

from bs4 import BeautifulSoup

with open('test.xml', 'r') as fp:
    raw_text = fp.read()

soup = BeautifulSoup(raw_text, 'xml')

print( len(soup.find_all(lambda tag: tag.prefix == 'us-gaap')) ) # print 941
print( len(soup.find_all(lambda tag: tag.prefix == 'xbrli')) ) # print 0

您可以找到 test.xml file here .

Answer 1

你能试试这个代码吗(使用 CSS 选择器？)。使用您的代码，我有时会得到 1268 的 xbrli 标签，有时会得到 0(在 bs4==4.4.1 的旧版本上测试)。另外，您使用哪个版本的 BeautifulSoup？

from bs4 import BeautifulSoup, __version__

soup = BeautifulSoup(open('data.txt', 'r').read(), 'xml')

print('xbrli:* tags =', len(soup.select('xbrli|*')))
print('us-gaap:* tags =', len(soup.select('us-gaap|*')))

print('Version of bs4:', __version__)

打印:

xbrli:* tags = 1268
us-gaap:* tags = 941
Version of bs4: 4.8.1