格式化输出
BeautifulSoup中有内置的方法prettfy()来实现格式化输出。比如：
from bs4 import BeautifulSoup
html_markup = """<p class="ecopyramid">
<ul id="producers">
<li class="producerlist">
<div class="name">plants</div>
<div class="number">100000</div>
</li>
<li class="producerlist">
<div class="name">algae</div>
Output in Beautiful Soup
<div class="number">100000</div>
</li>
</ul>"""
soup = BeautifulSoup(html_markup,"lxml")
print(soup.prettify()) prettify()可以用于BeautifulSoup对象也可以用于任何标签对象。比如：
producer_entry = soup.ul
print(producer_entry.prettify()) 非格式化输出
可以使用str()和unicode()来进行非格式化输出。
如果我们对BeautifulSoup对象和标签对象使用str()方法，那么得到的就是一般的字符串输出样式。
我们也可以使用前篇讲到的encode()方法来指定编码格式的输出。
对BeautifulSoup对象或标签对象使用decode()方法来得到Unicode字符串。
带参数的格式化输出
HTML实体编码可以放进HTML文档中用来表示特别的字符和标识。这些标识不存在于键盘上，这些HTML实体编码只是当浏览器打开后才回看到效果。
在输出方法中，只有这几个HTML编码有点例外。>和<和&三个符号。除此之外其他的特别标识都是被转换成Unicode编码当创建BeautifulSoup对象时，且当使用Prettify()方法或者其他方法输出时，我们只能得到UTF-8格式的字符串。
html_markup = """<html>
<body>& & ampersand
¢ ¢ cent
© © copyright
÷ ÷ divide
> > greater than
</body>
</html>输出：
可以看到两个没有被转换。BeautifulSoup自带的输出格式器来控制输出。输出格式器有以下几种类型。
- miimal
- html
- None
- function
我们可以在输出方法中传递上述输出格式器参数，如prettify(),ncode(),decode()
miimal格式化
在这种格式化模式下，字符串被处理成一个有效的HTML代码。这是默认的格式化输出，此时输出结果就和前面的一样。不能转换
&, >和<
Html格式化
这种格式化模式下，BeautifulSoup将会将Unicode字符转换成HTML编码形式。
print(soup.prettify(formatter="html"))输出：
None格式化
这种情况下，BeautifulSoup不会改变字符串。这会导致产生一个非法的HTML代码。
print(soup.prettify(formatter=None)) 输出：
函数格式化
我们可以定义一个函数来处理字符串。比如去掉a字符。
def remove_chara(markup):
return markup.replace("a","")
soup = BeautifulSoup(html_markup,"lxml")
print(soup.prettify(formatter=remove_chara)) 输出：
注意，其中字符a被替换掉了，但是注意的是
&, >,和<也被转换了。
使用get_text()
从网页中得到文本是常见的工作，BeautifulSoup提供了get_text()方法来达到目的。
如果我们只想得到BeautifulSoup对象的文本或标签对象的文本内容，我们可以使用get_text()方法。比如：
html_markup = """<p class="ecopyramid">
<ul id="producers">
<li class="producerlist">
<div class="name">plants</div>
<div class="number">100000</div>
</li>
<li class="producerlist">
<div class="name">algae</div>
<div class="number">100000</div>
</li>
</ul>"""
soup = BeautifulSoup(html_markup,"lxml")
print(soup.get_text()) 输出：
plants
100000
algae
100000
get_text()方法返回BeautifulSoup对象或标签对象中的文本内容，其为一个Unicode字符串。但是get_text()有个问题是它同样也会返回javascript代码。
去掉javascript代码的方法如下：
[x.extract() for x in soup_packtpage.find_all('script')] 这样就会用处掉所有脚本元素。
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
