用 BeautifulSoup 中的标签替换 CDATA NavigableStrings

Question

我正在使用 BeautifulSoup 解析几个 XML 文档提要，并希望进行一些预处理以将非标准的 CDATA 标记替换为自定义 XML 标记。举例说明：

以下 XML 源代码...

<title>The end of the world as we know it</title>
<category><![CDATA[Planking Dancing]]></category>
<pubDate><![CDATA[Sun, 16 Sep 2012 12:00:00 EDT]]></pubDate>
<dc:creator><![CDATA[Bart Simpson]]></dc:creator>

...会变成：

<title>The end of the world as we know it</title>
<category><myTag>Planking Dancing<myTag></category>
<pubDate><myTag>Sun, 16 Sep 2012 12:00:00 EDT<myTag></pubDate>
<dc:creator><myTag>Bart Simpson<myTag></dc:creator>

我认为以前没有在 SO 上问过这个问题（我尝试了几个不同的 SO 查询）。我还尝试了几种不同的方法，使用 .findAll('cdata', text=True) 并将 BeautifulSoup replaceWith() 方法应用于每个结果 NavigableString。我所做的尝试要么没有替换，要么看起来像一个递归循环。

我很高兴发布我之前的尝试，但鉴于这里的问题非常简单，我希望有人可以发布一个清晰的示例，说明如何使用 BeautifulSoup 3 完成上述搜索和替换。

Answer 1

CData 是NavigableString 的子类，所以你可以找到所有CData 元素通过首先搜索所有NavigableString 对象，然后测试 是否每个都是CData 的实例。有了之后就很容易了 按照您的建议，使用replaceWith 替换：

>>> from BeautifulSoup import BeautifulSoup, CData, Tag
>>> source = """
... <title>The end of the world as we know it</title>
... <category><![CDATA[Planking Dancing]]></category>
... <pubDate><![CDATA[Sun, 16 Sep 2012 12:00:00 EDT]]></pubDate>
... <dc:creator><![CDATA[Bart Simpson]]></dc:creator>
... """
>>> soup = BeautifulSoup(source)
>>> for navstr in soup(text=True):
...     if isinstance(navstr, CData):
...         tag = Tag(soup, "myTag")
...         tag.insert(0, navstr[:])
...         navstr.replaceWith(tag)
... 
>>> soup

<title>The end of the world as we know it</title>
<category><myTag>Planking Dancing</myTag></category>
<pubdate><myTag>Sun, 16 Sep 2012 12:00:00 EDT</myTag></pubdate>
<dc:creator><myTag>Bart Simpson</myTag></dc:creator>

>>>

几点说明：

• 您可以像调用函数一样调用BeautifulSoup 对象，并且 效果和调用它的.findAll()方法一样。

• 我知道在 BS3 中获取 CData 对象内容的唯一方法是切片 它，如上面的sn-p。 str(navstr) 将保留所有 <![CDATA[...]]> 垃圾，显然你不想要。在 BS4 中，str(navstr) 为您提供没有垃圾的内容。