我有一个我正在抓的网站，其结构如下。我希望能够从CData块中获取信息。
我正在使用BeautifulSoup从页面中提取其他信息，所以如果解决方案可以使用它，那将有助于保持我的学习曲线，因为我是一个python新手。具体来说，我想了解隐藏在CData语句中的两种不同类型的数据。第一个只是文本我很确定我可以抛出一个正则表达式并得到我需要的东西。对于第二种类型，如果我可以将具有html元素的数据放入其自己的beautifulsoup中，我可以解析它。
我只是在学习python和beautifulsoup，所以我正在努力寻找能让我自己获得CData的魔法咒语。
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<title>
Cows and Sheep
</title>
</head>
<body>
<div id="main">
<div id="main-precontents">
<div id="main-contents" class="main-contents">
<script type="text/javascript">
//<![CDATA[var _ = g_cow;_[7654]={cowname_enus:'cows rule!',leather_quality:99,icon:'cow_level_23'};_[37357]={sheepname_enus:'baa breath',wool_quality:75,icon:'sheep_level_23'};_[39654].cowmeat_enus = '<table><tr><td><b class="q4">cows rule!</b><br></br>
<!--ts-->
get it now<table width="100%"><tr><td>NOW</td><th>NOW</th></tr></table><span>244 Cows</span><br></br>67 leather<br></br>68 Brains
<!--yy-->
<span class="q0">Cow Bonus: +9 Cow Power</span><br></br>Sheep Power 60 / 60<br></br>Sheep 88<br></br>Cow Level 555</td></tr></table>
<!--?5695:5:40:45-->
';
//]]>
</script>
</div>
</div>
</div>
</body>
</html>
BeautifulSoup将CData视为“可导航字符串”的特例（子类）。例如：
import BeautifulSoup
txt = '''<foobar>We have
<![CDATA[some data here]]>
and more.
</foobar>'''
soup = BeautifulSoup.BeautifulSoup(txt)
for cd in soup.findAll(text=True):
if isinstance(cd, BeautifulSoup.CData):
print 'CData contents: %r' % cd
在您的情况下，您当然可以查看从div开始的子树，其中包含“main-contents”ID，而不是整个文档树。
你可以试试这个：
from BeautifulSoup import BeautifulSoup
// source.html contains your html above
f = open('source.html')
soup = BeautifulSoup(''.join(f.readlines()))
s = soup.findAll('script')
cdata = s[0].contents[0]
那应该给你cdata的内容。
更新
这可能有点清洁：
from BeautifulSoup import BeautifulSoup
import re
// source.html contains your html above
f = open('source.html')
soup = BeautifulSoup(''.join(f.readlines()))
cdata = soup.find(text=re.compile("CDATA"))
只是个人喜好，但我喜欢底部更好一点。
你需要注意BeautifulSoup抓取CData的一件事是不要使用lxml解析器。
默认情况下，lxml解析器将从树中剥离CDATA部分并将其替换为纯文本内容。了解更多here
#Trying it with html.parser
>>> from bs4 import BeautifulSoup
>>> import bs4
>>> s='''<?xml version="1.0" ?>
<foo>
<bar><![CDATA[
aaaaaaaaaaaaa
]]></bar>
</foo>'''
>>> soup = BeautifulSoup(s, "html.parser")
>>> soup.find(text=lambda tag: isinstance(tag, bs4.CData)).string.strip()
'aaaaaaaaaaaaa'
>>>
import re
from bs4 import BeautifulSoup
soup = BeautifulSoup(content)
for x in soup.find_all('item'):
print re.sub('[\[CDATA\]]', '', x.string)
对于任何使用BeautifulSoup4的人来说，Alex Martelli的解决方案都有效，但是这样做：
from bs4 import BeautifulSoup, CData
soup = BeautifulSoup(txt)
for cd in soup.findAll(text=True):
if isinstance(cd, Cdata):
print 'CData contents: %r' % cd