Error con extracto hermoso de sopa ()

Question

Estoy trabajando en algún software de captura de imágenes y se han topado con un problema con sopa de Hermosa. Estoy usando Python 2.4.3 y 3.0.7a sopa hermoso.

I que tenga que quitar una etiqueta <hr>, pero puede tener muchos atributos diferentes, por lo que una simple llamada replace () no se corte.

Dada la siguiente html:

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

Y el código siguiente:

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

La salida es:

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

¿Estoy malentendido la función de extracción, o se trata de un error con sopa de Hermosa?

Answer 1

Puede ser un error. Pero por suerte para usted, hay otra manera de obtener la cadena:

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

Tengo el mismo problema. No sé por qué, pero yo supongo que tiene que ver con los elementos vacíos creados por BS.

Por ejemplo si tengo el siguiente código:

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()

Tengo el siguiente error:

  

objeto 'NoneType' no tiene atributo 'next_element'

En la primera impresión que me dieron:

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

y en el segundo me dieron:

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

Estoy bastante seguro de que es el elemento vacío en el medio creando el problema.

Una solución que he encontrado es que acaba de volver a crear la sopa:

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

Ahora se imprime:

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

Espero que ayude.