Beautiful Soup 简明教程

Beautiful Soup - Output Formatting

如果提供给 BeautifulSoup 构造函数的 HTML 字符串包含任何 HTML 实体，它们将被转换为 Unicode 字符。

HTML 实体是一个以 & （&）开头并以分号（;）结尾的字符串。它们用于显示保留字符（否则将被解释为 HTML 代码）。一些 HTML 实体的示例：

less than

greater than

ampersand

double quote

single quote

Left Double quote

“

Right double quote

”

Pound

yen

€

euro

€

默认情况下，在输出时转义的唯一字符是裸露的 & 和尖括号。这些被转换为“&”、“<”和“>”。

对于其他字符，它们将被转换为 Unicode 字符。

Example

from bs4 import BeautifulSoup

soup = BeautifulSoup("Hello “World!”", 'html.parser')
print (str(soup))

Output

Hello "World!"

如果您随后将文档转换为字节串，Unicode 字符将被编码为 UTF-8。您将无法获取 HTML 实体：

Example

from bs4 import BeautifulSoup

soup = BeautifulSoup("Hello “World!”", 'html.parser')
print (soup.encode())

Output

b'Hello \xe2\x80\x9cWorld!\xe2\x80\x9d'

要更改此行为，请为 prettify() 方法的格式化程序参数提供一个值。对于格式化程序，以下可能的值：

formatter="minimal" - 这是默认值。字符串仅会得到足够的处理，以确保 Beautiful Soup 能够生成有效的 HTML/XML

formatter="html" − 只要有可能，Beautiful Soup 将把 Unicode 字符转换为 HTML 实体。

formatter="html5" - 它类似于 formatter="html”，但 Beautiful Soup 将在 HTML 空标签（如“br”）中省略结束斜杠。

formatter=None - Beautiful Soup 根本不会在输出时修改字符串。这是最快的选项，但可能会导致 Beautiful Soup 生成无效的 HTML/XML。

Example

from bs4 import BeautifulSoup

french = "<p>Il a dit <<Sacré bleu!>></p>"
soup = BeautifulSoup(french, 'html.parser')
print ("minimal: ")
print(soup.prettify(formatter="minimal"))
print ("html: ")
print(soup.prettify(formatter="html"))
print ("None: ")
print(soup.prettify(formatter=None))

Output

minimal:
<p>
 Il a dit <<Sacré bleu!>>
</p>

html:
<p>
 Il a dit <<Sacré bleu!>>
</p>

None:
<p>
 Il a dit <<Sacré bleu!>>
</p>

此外，Beautiful Soup 库提供了格式化程序类。您可以将任何此类对象的实例作为参数传递给 prettify() 方法。

HTMLFormatter class − 用于自定义 HTML 文档的格式化规则。

XMLFormatter class − 用于自定义 XML 文档的格式化规则。