本文介绍了BeautifulSoup库中关于输出的三个关键点：格式化输出的prettify()方法，压缩输出的str()和unicode()，以及get_text()用于提取文本内容。通过实例演示了如何优雅地呈现HTML结构和提取所需信息。
1. 输出
1.1 格式化输出
- prettify() 方法将 Beautiful Soup 的文档树格式化后以 Unicode 编码输出；
- 每个 XML/HTML 标签都独占一行；
markup = '<a href="http://example.com/">I linked to <i>example.com</i></a>'
soup = BeautifulSoup(markup)
print(soup.prettify())
输出：
<html>
<body>
<a href="http://example.com/">
I linked to
<i>
example.com
</i>
</a>
</body>
</html>
- BeautifulSoup 对象和它的 tag 节点都可以调用 prettify() 方法。
1.2 压缩输出
- unicode() 或 str() 方法：
- 只得到结果字符串，不重视格式；
markup = '<a href="http://example.com/">I linked to <i>example.com</i></a>'
soup = BeautifulSoup(markup)
print(str(soup))
print(unicode(soup.a))
输出：
<html><head></head><body><a href="http://example.com/">I linked to <i>example.com</i></a></body></html>
<a href="http://example.com/">I linked to <i>example.com</i></a>
- str() 方法返回 UTF-8 编码的字符串，可以指定编码的设置。
- encode() 方法获得字节码或调用 decode() 方法获得Unicode。
1.3 输出格式
- Beautiful Soup 输出是会将 HTML 中的特殊字符转换成 Unicode，比如
“&lquot;”；
soup = BeautifulSoup("“Dammit!” he said.")
print(unicode(soup))
输出：
<html><head></head><body>\u201cDammit!\u201d he said.</body></html>
- 如果将文档转换成字符串，Unicode 编码会被编码成 UTF-8；
- 这样就无法正确显示 HTML 特殊字符了；
soup = BeautifulSoup("“Dammit!” he said.")
print(str(soup))
输出：
<html><head></head><body>\xe2\x80\x9cDammit!\xe2\x80\x9d he said.</body></html>
1.4 get_text()
- get_text() 方法：得到 tag 中包含的文本内容；
- 这个方法获取到 tag 中包含的所有文版内容包括子孙 tag 中的内容，并将结果作为 Unicode 字符串返回；
markup = '<a href="http://example.com/">\nI linked to <i>example.com</i>\n</a>'
soup = BeautifulSoup(markup)
print(soup.get_text())
print(soup.i.get_text())
输出：
'\nI linked to example.com\n'
example.com
- 可以通过参数指定 tag 的文本内容的分隔符：
print(soup.get_text("|"))
输出：
\nI linked to |example.com|\n
- 去除获得文本内容的前后空白：
print(soup.get_text("|", strip=True))
输出：
I linked to|example.com
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
