用＆lt; br＆gt;替换线路断裂;在标签中使用美丽的小组

Question

我想使用beautifure来解析一些html，然后替换＆lt; blockQuote＆gt; 带有＆lt; br＆gt;标签的标签。这是非常困难的，因为＆lt; blockQuote＆gt;可能包含其他HTML标签。

我目前的尝试：

from bs4 import BeautifulSoup

html = """
<p>Hello
there</p>
<blockquote>Line 1
Line 2
<strong>Line 3</strong>
Line 4</blockquote>
"""

soup = BeautifulSoup(html, "html.parser")

for element in soup.findAll():
    if element.name == "blockquote":
        new_content = BeautifulSoup(
            "<br>".join(element.get_text(strip=True).split("\n")).strip("<br>"),
            "html.parser",
        )
        element.string.replace_with(new_content)

print(str(soup))

输出应该是：

<p>Hello
there</p>
<blockquote>Line 1<br/>Line 2<br/><strong>Line 3</strong><br/>Line 4</blockquote>

但是，此代码改编自此答案仅在内内没有html标签的情况下工作＆lt; blockQuote＆gt;。但是，如果有（＆lt; strong＆gt; line 3＆lt;/strong＆gt;），则element.String is none none ，上述失败。

是否有可以应付HTML标签的替代方法？

Answer 1

另一种选择是使用descendants寻找navigablestring s，然后仅替换这些，仅留下其他元素：

from bs4 import BeautifulSoup, NavigableString

html = """
<p>Hello
there</p>
<blockquote>Line 1
Line 2
<strong>Line 3</strong>
Line 4</blockquote>
"""

soup = BeautifulSoup(html, "html.parser")

for quote in soup.find_all("blockquote"):
    for element in list(quote.descendants):
        if type(element) is NavigableString:
            markup = element.string.replace("\n", "<br>")
            element.string.replace_with(BeautifulSoup(markup, "html.parser"))

print(str(soup))

输出：

<p>Hello
there</p>
<blockquote>Line 1<br/>Line 2<br/><strong>Line 3</strong><br/>Line 4</blockquote>

此方法的优势是它没有触摸，例如，html注释：

<blockquote>
<!--
a comment
-->
</blockquote>

变成

<blockquote><br/><!--
a comment
--><br/></blockquote>

您可能期望的。

Answer 2

在使用替换（）时，选择更具体的元素并将元素本身作为String上的元素本身工作要简单得多。

这样，您就不必担心其他标签，否则这些标签会以对象形式出现，并且在get_text（）的结果中不会表示为字符串。

new_content = BeautifulSoup(
    str(element).replace('\n','<br>'),
    "html.parser",
)
element.replace_with(new_content)

示例

from bs4 import BeautifulSoup

html = """
<p>Hello
there</p>
<blockquote>Line 1
Line 2
<strong>Line 3</strong>
Line 4</blockquote>
"""

soup = BeautifulSoup(html, "html.parser")

for element in soup.find_all('blockquote'):
    new_content = BeautifulSoup(
        str(element).replace('\n','<br>'),
        "html.parser",
    )
    element.replace_with(new_content)

print(str(soup))

输出

<p>Hello 
there</p>
<blockquote>Line 1<br/>Line 2<br/><strong>Line 3</strong><br/>Line 4</blockquote>