Получите DOCTYPE документа с помощью BeautifulSoup
-
21-09-2019 - |
Вопрос
Я только начал возиться с шершавый в сочетании с Прекрасный суп и мне интересно, не упускаю ли я чего-то очень очевидного, но, похоже, я не могу понять, как получить doctype возвращаемого html-документа из результирующего объекта soup.
Учитывая следующий html:
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN" "http://www.w3.org/TR/html4/strict.dtd">
<html lang="en">
<head>
<meta charset=utf-8 />
<meta name="viewport" content="width=620" />
<title>HTML5 Demos and Examples</title>
<link rel="stylesheet" href="/css/html5demos.css" type="text/css" />
<script src="js/h5utils.js"></script>
</head>
<body>
<p id="firstpara" align="center">This is paragraph <b>one</b>
<p id="secondpara" align="blah">This is paragraph <b>two</b>.
</html>
Кто-нибудь может сказать мне, есть ли способ извлечь из него объявленный doctype с помощью BeautifulSoup?
Решение
В Beautiful Soup 4 есть класс для объявлений DOCTYPE , так что вы можете использовать его для извлечения всех объявлений верхнего уровня (хотя вы, без сомнения, ожидаете одно или ни одного!).
def doctype(soup):
items = [item for item in soup.contents if isinstance(item, bs4.Doctype)]
return items[0] if items else None
Другие советы
Вы можете просмотреть элементы верхнего уровня и проверить каждый, чтобы увидеть, является ли это объявлением.Затем вы можете проверить его, чтобы выяснить, что это за декларация:
for child in soup.contents:
if isinstance(child, BS.Declaration):
declaration_type = child.string.split()[0]
if declaration_type.upper() == 'DOCTYPE':
declaration = child
Вы могли бы просто взять первый элемент из содержимого супа:
>>> soup.contents[0]
u'DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN" "http://www.w3.org/TR/html4/strict.dtd"'