如何在 Python 中处理 html 元素中的 nbsp？

Question

我在下面的 & 和 nbsp 之间使用了空格，尽管在我的代码中没有空格。

我正在尝试使用 Beautifulsoup 进行网页抓取，但目前遇到了一个问题。我能够使用 find_all 成功获取我需要的元素，它在一个表中，所以首先是键，其次是值。所以我使用网站中设置的key变量名，用if语句与我需要的key进行大小写匹配，然后获取它的相关值，但是html中的一些key变量包含  在键变量名的文本之间。 If 语句与曾经存在   的变量不匹配。

以下是谷歌浏览器检查模式的 html

<tr valign="top">
        <td><b>Active&nbsp;since:</b></td>
        <td><a href="/InterH1/Category:E_2012" title="Category:2021 H1">14199083</a> (212E)</td>
    </tr>

以下代码来自soup方法

<tr valign="top">
<td><b>Active since:</b></td>
<td><a href="/InterH1/Category:E_2012" title="Category:2021 H1">14199083</a> (212E)</td>
</tr>

If 语句适用于所有变量，只要关键变量是一个没有空格的单词，如下所示

if keycheck[0].get_text().strip() == "Year:":
        intercincom_eight_year = keycheck[1].get_text().strip() 

但无论关键变量包含  ，它都会失败，例如

if keycheck[0].get_text().strip().replace(" ", " ") == "Active since:":
        intercincom_eight_active = keycheck[1].get_text().strip()

或

if keycheck[0].get_text().strip() == "Active since:":
        intercincom_eight_active = keycheck[1].get_text().strip()

我认为我不必使用替换来删除带有空格的 nbsp，因为每当我打印关键变量时，它都会在没有 nbsp 的情况下打印，这与 chrome 检查模式中存在的不同。例如

        print(keycheck[0].get_text().strip())

给出 Active year: 而不是 Active since: 但它仍然不匹配 if声明

if keycheck[0].get_text().strip() == "Active since:":

感谢您的帮助，谢谢

Answer 1

您可能需要对不间断空格使用 Unicode 表示，即u'\xa0'。由于 Beautiful Soup 中的字符串文字没有明确包含“ ”，因此您对replace() 的调用可能正在搜索不存在的字符串。

>>> print(u'\xa0' == " ")
False

>>> print(u'\xa0' == " ") 
False

为了进一步说明您的代码，您应该能够通过将调用 replace() 中的“ ”更改为 "\xa0" 来实现这一点，因此...

keycheck[0].get_text().strip().replace("\xa0", " ") == "Active since:":