使用 BeautifulSoup 4 读取 <content:encoded> 标签

Question

我正在使用 BeautifulSoup 4 (bs4) 来读取 XML RSS 提要，并且遇到了以下条目。我正在尝试阅读 <content:encoded><![CDATA[...]]</content> 标签中包含的内容：

<item>
    <title>Foobartitle</title>
    <link>http://www.acme.com/blah/blah.html</link>
    <category><![CDATA[mycategory]]></category>
    <description><![CDATA[The quick brown fox jumps over the lazy dog]]></description>
    <content:encoded>
        <![CDATA[<p><img class="feature" src="http://www.acme.com/images/image.jpg" alt="" /></p>]]>
    </content:encoded>
</item>

据我了解，这种格式是RSS content module 的一部分，并且很常见。

我想隔离<content:encoded> 标记，然后读取CDATA 内容。 为免生疑问，结果将是<p><img class="feature" src="http://www.acme.com/images/image.jpg" alt="" /></p>。

我查看了 this、this 和 this stackoverflow 帖子，但我无法弄清楚如何完成这项工作，因为它们与我的案例没有直接关系。

我正在使用带有 bs4 的 lxml XML 解析器。

有什么建议吗？谢谢！

Answer 1

from bs4 import BeautifulSoup

doc = ...
soup = BeautifulSoup(doc, "xml")  # Directs bs to use lxml

有趣的是，BeautifulSoup/lxml 改变了标签，明显地从 content:encoded 变成了简单的 encoded。

>>> print soup
<?xml version="1.0" encoding="utf-8"?>
<item>
<title>Foobartitle</title>
<link>http://www.acme.com/blah/blah.html</link>
<category>mycategory</category>
<description>The quick brown fox jumps over the lazy dog</description>
<encoded>
        &lt;p&gt;&lt;img class="feature" src="http://www.acme.com/images/image.jpg" alt="" /&gt;&lt;/p&gt;
    </encoded>
</item>

从那里，它应该只解析孩子。

for encoded_content in soup.findAll("encoded"):
    for child in encoded_content.children:
        print child

这导致<p><img class="feature" src="http://www.acme.com/images/image.jpg" alt="" /></p>。请注意，这似乎是 bs4.element.NavigableString 的一个实例，而不是您链接答案中的 CData。