使用美观汤的Python解析

Question

我有下面的xml文件，我想提取所有的href，我知道怎么做，但是我想用----标记每个主‘父’标记的结束

我需要这样的输出：

xxxx yyyy ----- zzzz tttt ------ wwww qqqqq ssss uuuu oooo pppp ----- mmmm nnnnn ----

xml：

<root> <parent id1='1111'> <child herf='xxx'/> <child herf ='yyyy'/> </parent> <parent id1='22222'> <child herf='zzzz'/> <child herf ='tttt'/> </parent> <parent id1='33333'> <child herf='wwww'/> <child herf ='qqqqq'/> <parent id1='4444'> <child herf='ssss'/> <child herf ='uuuu'/> </parent> <parent id1='55555'> <child herf='oooo'/> <child herf ='pppp'/> </parent> <parent id1='6666'> <child herf='mmmm'/> <child herf ='nnnnn'/> </parent>

这是我的密码：

xml= soupTop.findChildren(recursive=False) for tag in xml: s =tag.findAll("child", {"href" : re.compile(r".*")}) print (s)

Answer 1

一个问题是xml是无效的。<root>标记从不关闭，<child id1='33333'>也不关闭。BS善于接受不正确的输入，但是处理它需要非常谨慎。

这意味着我无法想象有一种方法可以获得你在问题中要求的输出。我能做的是：

1. 假设每个新的打开父标记都会打开一个新的子序列。这意味着查找所有的parent标记，并且在每个进程中只有直接的子进程。 P in soupTop.findAll('parent ')：c in p.children: if c.name == 'child'：print(c‘’herf‘，end =’')打印(‘ 产出如下：
2. 只处理最高级别的父标记，并且在每个父标记中递归地查找所有child标记。 P=soup.find(“父”)，而p不是零:p.findAll(‘p.findAll ')中的c(’child ')：print(c‘’herf‘，end=’‘)打印(’--‘-’‘，end =’)p= p.findNextSibling('parent') 输出是:xxx yyyy - zzzz is qqqqq ssss nnnnn