使用BeautifulSoup查找自定义HTML标记

Question

我试图使用BeautifulSoup在HTML页面上找到一个Gliffy图表。HTML页面的源代码大致如下所示：

<p>Lorem ipsum dolor sit amet</p>
<p>Figure: Consectetur adipiscing elit</p>
<p>
   <ac:structured-macro ac:macro-id="a9ab423b-b68c-4836-bffa-cdf1c5b95392" ac:name="gliffy" ac:schema-version="1">
      <ac:parameter ac:name="displayName">Sed do eiusmod</ac:parameter>
      <ac:parameter ac:name="name">Tempor incididunt ut</ac:parameter>
      <ac:parameter ac:name="pagePin">2</ac:parameter>
   </ac:structured-macro>
</p>
<p><br/></p>

我想在页面中定位<ac:structured-macro ac:macro-id="a9ab423b-b68c-4836-bffa-cdf1c5b95392" ac:name="gliffy" ac:schema-version="1">，但不使用像soup.find_all('ac:structured-macro')这样的通用语句，因为在汇流中使用了多种宏，所以我想要准确定位ac:name="gliffy"宏，排除所有其他可能性。

但是，因为这看起来不像一个标准的HTML标记。我不确定BeautifulSoup是正确的选择。我是否应该使用其他库，如lxml。无论如何，请让我知道我应该使用哪个库和什么函数，以及我应该如何调用以准确定位这个HTML页面中的Gliffy图。谢谢。

Answer 1

对于xml数据，您仍然可以使用BeautifulSoup，但是您需要加载lxml解析器，而不是在标准库中加载。

pip install lxml

这里有一个关于如何查找代码的示例：

from bs4 import BeautifulSoup

html = """<p>Lorem ipsum dolor sit amet</p>
<p>Figure: Consectetur adipiscing elit</p>
<p>
    <ac:structured-macro ac:macro-id="a9ab423b-b68c-4836-bffa-cdf1c5b95392" ac:name="gliffy" ac:schema-version="1">
    <ac:parameter ac:name="displayName">Sed do eiusmod</ac:parameter>
    <ac:parameter ac:name="name">Tempor incididunt ut</ac:parameter>
    <ac:parameter ac:name="pagePin">2</ac:parameter>
    </ac:structured-macro>
</p>
<p><br/></p>"""


soup = BeautifulSoup(html, "lxml")

for tag in soup.find_all(attrs={"ac:name": "gliffy"}):
   print(tag)