我有一个XHTML文件,结构是这样的。
<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE html>
<html lang="en">
<head>
...
</head>
<body>
...
</body>
<html>
我使用了BeautifulSoup 我想从文档中删除XML声明 所以我的文件是这样的。
<!DOCTYPE html>
<html lang="en">
<head>
...
</head>
<body>
...
</body>
<html>
我找不到一种方法来获取XML声明来删除它。据我所知,它似乎不是Doctype、Declaration、Tag或NavigableString。有什么方法可以让我找到这个来提取它吗?
作为一个工作示例,我可以用这样的代码来删除Doctype(假设文档文本是变量 "html")。
soup = BeautifulSoup(html)
[item.extract() for item in soup.contents if isinstance(item, Doctype)]
你可以使用下面的方法。
import bs4
soup = bs4.BeautifulSoup(html, 'html.parser')
for e in soup:
if isinstance(e, bs4.element.ProcessingInstruction):
e.extract()
break
print(soup)
对于你的示例,这将给你更新的HTML为:
<!DOCTYPE html>
<html lang="en">
<head>
...
</head>
<body>
...
</body>
<html></html></html>
以下是我在一些非常简单的情况下所做的工作:
from bs4 import BeautifulSoup
s = "<a value='label'/>"
s = BeautifulSoup(s, 'xml')
print(s)
## <?xml version="1.0" encoding="utf-8"?>
## <a value="label"/>
用bs语法:
s.decode_contents()
## '<a value="label"/>'
用string.split:
str(s).split("\n")[-1]
## '<a value="label"/>'