Получить документ DOCTYPE с BeautifulSoup - PullRequest
Новая
       21

Получить документ DOCTYPE с BeautifulSoup

7 голосов
/ 23 марта 2010

Я только что начал возиться с scrapy в сочетании с BeautifulSoup и мне интересно, что я упустил что-то очень очевидное, но я не могу понять, как чтобы получить тип документа возвращенного HTML-документа из получающегося объекта супа.

С учетом следующего HTML: 

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN" "http://www.w3.org/TR/html4/strict.dtd">
<html lang="en"> 
<head> 
<meta charset=utf-8 />
<meta name="viewport" content="width=620" />
<title>HTML5 Demos and Examples</title> 
<link rel="stylesheet" href="/css/html5demos.css" type="text/css" /> 
<script src="js/h5utils.js"></script> 
</head> 
<body>
<p id="firstpara" align="center">This is paragraph <b>one</b>
<p id="secondpara" align="blah">This is paragraph <b>two</b>.
</html>

Может кто-нибудь сказать мне, есть ли способ извлечь из него объявленный тип документа с помощью BeautifulSoup?

Ответы [ 3 ]

4 голосов
/ 02 июня 2013

Beautiful Soup 4 имеет класс для объявлений DOCTYPE, так что вы можете использовать его для извлечения всех объявлений на верхнем уровне (хотя вы, несомненно, ожидаете одно или ни одного!) 

def doctype(soup):
    items = [item for item in soup.contents if isinstance(item, bs4.Doctype)]
    return items[0] if items else None
3 голосов
/ 31 марта 2011

Вы можете просмотреть элементы верхнего уровня и проверить каждый из них, чтобы увидеть, является ли это объявлением.Затем вы можете проверить его, чтобы узнать, что это за декларация: 

for child in soup.contents:
    if isinstance(child, BS.Declaration):
        declaration_type = child.string.split()[0]
        if declaration_type.upper() == 'DOCTYPE':
            declaration = child
0 голосов
/ 23 марта 2010

Вы можете просто получить первый предмет в содержимом супа: 

>>> soup.contents[0]
u'DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN" "http://www.w3.org/TR/html4/strict.dtd"'
...