python-3.x - 如何使用 Python 和 Beautiful Soup 修复 html 列表片段中丢失的 ul 标签

Question

如果我有这样的 html 片段:

<p><br><p>
<li>stuff</li>
<li>stuff</li>

有没有办法清理这个并使用 beautiful soup 添加缺少的 ul/ol 标签，或另一个Python库？

我尝试了 soup.prettify() 但它保持原样。

Answer 1

似乎没有一个内置方法可以将 li 元素组包装到 ul 中。但是，您可以简单地循环 li 元素，识别每个 li 组的第一个元素并将其包装在 ul 标记中。该组中的下一个元素将附加到之前创建的 ul 中:

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, "html.parser")

ulgroup = 0
uls = []
for li in soup.findAll('li'):
        previous_element = li.findPrevious()
        # if <li> already wrapped in <ul>, do nothing
        if previous_element and previous_element.name == 'ul': 
            continue 
        # if <li> is the first element of a <li> group, wrap it in a new <ul>
        if not previous_element or previous_element.name != 'li':
            ulgroup += 1
            ul = soup.new_tag("ul")
            li.wrap(ul)
            uls.append(ul)
        # append rest of <li> group to previously created <ul>
        elif ulgroup > 0:
            uls[ulgroup-1].append(li)

print(soup.prettify())

例如，输入以下内容:

html = '''
<p><br><p>
<li>stuff1</li>
<li>stuff2</li>
<div></div>
<li>stuff3</li>
<li>stuff4</li>
<li>stuff5</li>
'''

输出:

<p>
 <br/>
 <p>
  <ul>
   <li>
    stuff1
   </li>
   <li>
    stuff2
   </li>
  </ul>
  <div>
  </div>
  <ul>
   <li>
    stuff3
   </li>
   <li>
    stuff4
   </li>
   <li>
    stuff5
   </li>
  </ul>
 </p>
</p>

演示:https://repl.it/@glhr/55619920-fixing-uls