美汤4中的<br> </br>和<br/>如何处理？

Question

我正在尝试使用 python 和 Beautiful Soup 4 将某些 html 中的每个中断标记替换为新行。

该文档中有<br>、<br/> 和</br> 标签，但由于Beautiful Soup 处理标签的方式，只要找到<br>，它就会删除它与下一个</br> 之间的所有内容看到了。

有没有办法解决这个问题？

Answer 1

尝试为构建器类使用HTMLParserTreeBuilder：

from bs4 import BeautifulSoup
from bs4.builder import HTMLParserTreeBuilder

html_doc = """
<html>this is a test<br> ...between a start and end br... </br> a blank br: <br/> something else
"""

soup = BeautifulSoup(html_doc, builder=HTMLParserTreeBuilder())
print soup.prettify()

比较没有builder=参数时的输出。

您可以确定 bs4 使用的是哪个构建器：

print type(soup.builder)

默认情况下，bs4 似乎选择基于 lxml 的构建器。