Fehler mit Schöner Suppe des extract ()

Question

Ich arbeite an einiger Screen-Scraping-Software und habe sie zu einem Problem mit Schöner Suppe laufen. Ich verwende Python 2.4.3 und schöne Suppe 3.0.7a.

Ich brauche einen <hr> Tag zu entfernen, aber es kann viele verschiedene Attribute, so dass eine einfache replace () Anruf wird nicht schneiden.

In Anbetracht der folgenden html:

<h1>foo</h1>
<h2><hr/>bar</h2>

Und der folgende Code:

soup = BeautifulSoup(string)

bad_tags = soup.findAll('hr');
[tag.extract() for tag in bad_tags] 

for i in soup.findAll(['h1', 'h2']):
    print i
    print i.string

Die Ausgabe lautet:

<h1>foo</h1>
foo
<h2>bar</h2>
None

Bin ich Missverständnis der Extrakt-Funktion, oder ist das ein Bug mit Schöner Suppe?

Answer 1

Es kann ein Fehler sein. Aber zum Glück für Sie, es gibt einen anderen Weg, um die Zeichenfolge zu erhalten:

from BeautifulSoup import BeautifulSoup

string = \
"""<h1>foo</h1>
<h2><hr/>bar</h2>"""

soup = BeautifulSoup(string)

bad_tags = soup.findAll('hr');
[tag.extract() for tag in bad_tags] 

for i in soup.findAll(['h1', 'h2']):
    print i, i.next

# <h1>foo</h1> foo
# <h2>bar</h2> bar

Answer 2

Ich habe das gleiche Problem. Ich weiß nicht, warum, aber ich denke, es mit den leeren Elementen von BS erstellt zu tun hat.

Zum Beispiel, wenn ich den folgenden Code:

from bs4 import BeautifulSoup

html ='            \
<a>                \
    <b test="help">            \
        hello there!  \
        <d>        \
        now what?  \
        </d>    \
        <e>        \
            <f>        \
            </f>    \
        </e>    \
    </b>        \
    <c>            \
    </c>        \
</a>            \
'

soup = BeautifulSoup(html,'lxml')
#print(soup.find('b').attrs)

print(soup.find('b').contents)

t = soup.find('b').findAll()
#t.reverse()
for c in t:
    gb = c.extract()

print(soup.find('b').contents)

soup.find('b').text.strip()

Ich habe folgende Fehlermeldung:

  

'NoneType' Objekt hat kein Attribut 'next_element'

Auf dem ersten Druck bekam ich:

>>> print(soup.find('b').contents)
[u' ', <d> </d>, u' ', <e> <f> </f> </e>, u' ']

und auf dem zweiten bekam ich:

>>> print(soup.find('b').contents)
[u' ', u' ', u' ']

Ich bin mir ziemlich sicher, dass es das leere Element in der Mitte ist, das Problem zu schaffen.

Eine Abhilfe i gefunden ist, nur die Suppe neu erstellen:

soup = BeautifulSoup(str(soup))
soup.find('b').text.strip()

Jetzt druckt:

>>> soup.find('b').text.strip()
u'hello there!'

Ich hoffe, das hilft.