美丽的汤对象省略信息答案

【问题标题】：Beautiful Soup Object Omitting Information美丽的汤对象省略信息
【发布时间】：2013-06-11 12:33:49
【问题描述】：

问题：漂亮的汤对象似乎从 HTML 中删除了有价值的信息。为什么要这样做，我该如何提取这个字段？

示例：我感兴趣的原始 HTML 表达了这一点：

<div id="KittyChow">
            <h4 class="noteText">foodAmount</h4>
            <span>< 1 tsp</span>
        </div>

然而，当我创建我的汤对象时，相应的 HTML 行变为：

<div id="KittyChow"><h4 class="noteText">foodAmount</h4><span></span></div>

我的问题和疑问：为什么它删除了span和/span之间的信息？是不是因为“小于/

第二：如何提取这个

import re

string= "The cat is obese."
left= "The"
right= "is obese."

pattern= re.compile(left + "(.*?)" + right)
answer= pattern.findall(string)[0]

print answer

问题是，当我用 HTML 替换左右匹配字符串时，我收到“索引超出范围”错误，因为将 HTML 转换为字符串时会出现空格和缩进。

如您所知...我已经进行了相当多的研究，但我仍然坚持使用 BeautifulSoup 和 Python 的正则表达式模块在 HTML 标记的字段/属性中提取符号。请帮我？ :)

【问题讨论】：

标签： python regex beautifulsoup

【解决方案1】：

你可以控制你的 html 吗？它格式不正确。而不是

<div id="KittyChow">
    <h4 class="noteText">foodAmount</h4>
    <span>< 1 tsp</span>
</div>

应该是这样的

<div id="KittyChow">
    <h4 class="noteText">foodAmount</h4>
    <span>&lt; 1 tsp</span>
</div>

http://en.wikipedia.org/wiki/List_of_XML_and_HTML_character_entity_references

如果您在服务器端生成 html，则应该很容易用任何语言对您的实体进行编码：php python ruby

编辑：根据this other answer：https://stackoverflow.com/a/14171433/1253312你可以这样做：

BeautifulSoup("<div> < 20 </div>", "html5lib")

这告诉 BS 使用不同的解析器，它可以处理 < 字符。

【讨论】：

哦！我怎么做？当我打印原始 page_Html 时，它显示为上面的链接。在获得原始 page_HTML 后，我是否只需要将
不幸的是，修复格式错误的 html 是一个非常困难的问题。大多数浏览器只做“最佳猜测”。 kindall 的解决方案很基础，只处理这一种情况，仍然可以破坏你的页面。
参考另一种可能的解决方案更新了答案。

【解决方案2】：

HTML 已损坏。您不能在 HTML 中使用未转义的 &lt; 字符；解析器会变得非常困惑。作为一种解决方法，在此特定示例中，您可以将 &lt; 后跟空格替换为 &lt; 后跟空格：

raw_html = raw_html.replace("< ", "&lt; ")

虽然这不是一个通用的解决方案。

【讨论】：