Beautiful Soup 4 自定义属性顺序输出

Question

我想在 BS4 中创建一个自定义输出格式化程序，它将以特定方式重新排列 XML 中标签属性的顺序，这不是字母顺序。

比如我想输出如下标签：

<word form="συ" head="2610" id="2357" lemma="συ" postag="p-s----n-" relation="ExD_AP"/>

作为：

<word id="2357" head="2610" postag="p-s----n-" form="συ" lemma="συ" relation="ExD_AP"/>

BS4 的文档提供了从哪里开始的线索。他们举了以下例子：

from bs4.formatter import HTMLFormatter
class UnsortedAttributes(HTMLFormatter):
    def attributes(self, tag):
        for k, v in tag.attrs.items():
            if k == 'm':
                continue
            yield k, v
print(attr_soup.p.encode(formatter=UnsortedAttributes()))

这将创建一个自定义 HTML 输出格式化程序，它将按照输入顺序保留属性并忽略某些标签，但我不知道如何更改它以便它以我想要的任何顺序输出。谁能帮帮我？

Answer 1

这个怎么样？

from simplified_scrapy.simplified_doc import SimplifiedDoc
html ='''
<word form="συ" head="2610" id="2357" lemma="συ" postag="p-s----n-" relation="ExD_AP"/>
'''
def toString(ele):
  order = ['id','head','postag','from','lemma','relation']
  result = '<'+ele.tag
  for p in order:
    result+=' {}="{}"'.format(p,ele[p])
  return result+'/>'
doc = SimplifiedDoc(html)
ele = doc.word
print (toString(ele))

结果：

<word id="2357" head="2610" postag="p-s----n-" from="None" lemma="συ" relation="ExD_AP"/>

Answer 2

严格来说，我对自己的问题有一个答案，但要以我喜欢的方式实际实施它还需要更多的工作。以下是操作方法。

创建 XMLFormatter 的子类（或 HTMLFormatter，如果您使用 HTML），将其命名为您想要的名称。我选择了“排序属性”。编写函数“attributes”，以便它按照您想要的顺序返回一个元组列表：[(attribute1, value1), (attribute2, value2), etc.]。我的可能看起来很冗长，但我这样做是因为我使用非常不一致的 XML。

from bs4 import BeautifulSoup
from bs4.formatter import XMLFormatter


class SortAttributes(XMLFormatter):
    def attributes(self, tag):
        """Reorder a tag's attributes however you want."""
        attrib_order = ['id', 'head', 'postag', 'relation', 'form', 'lemma']
        new_order = []
        for element in attrib_order:
            if element in tag.attrs:
                new_order.append((element, tag[element]))
        for pair in tag.attrs.items():
            if pair not in new_order:
                new_order.append(pair)
        return new_order


xml_string = '''
<word form="συ" head="2610" id="2357" lemma="συ" postag="p-s----n-" relation="ExD_AP"/>
'''
soup = BeautifulSoup(xml_string, 'xml')
print(soup.encode(formatter=SortAttributes()))

这将输出我想要的：

<word id="2357" head="2610" postag="p-s----n-" relation="ExD_AP" form="συ" lemma="συ"/>

很方便，我可以使用相同的编码方法对整个文档执行此操作。但是，如果我将其作为字符串写入文件，则所有标签都将首尾相连。示例如下：

<sentence id="783"><word id="2357" head="2610" postag="p-s----n-" relation="ExD_AP" form="συ" lemma="συ"/><word id="2358" head="2610" postag="p-s----n-" relation="ExD_AP" form="συ" lemma="συ"/><word id="2359" head="2610" postag="p-s----n-" relation="ExD_AP" form="συ" lemma="συ"/></sentence>

而不是我更喜欢的东西：

<sentence id="783">
  <word id="2357" head="2610" postag="p-s----n-" relation="ExD_AP" form="συ" lemma="συ"/>
  <word id="2358" head="2610" postag="p-s----n-" relation="ExD_AP" form="συ" lemma="συ"/>
  <word id="2359" head="2610" postag="p-s----n-" relation="ExD_AP" form="συ" lemma="συ"/>
</sentence>

要解决这个问题，我不能只是 .prettify 它，因为 prettify 会将属性重新排列回字母顺序。我将不得不详细介绍 XMLFormatter 子类。我希望将来有人会发现这对您有所帮助！