将 CDATA NavigableString 替换为 BeautifulSoup 中的标签

Question

我正在使用BeautifulSoup解析几个XML文档提要，并希望进行一些预处理以将非标准CDATA标签替换为自定义XML标签。 举例说明：

以下 XML 源...

<title>The end of the world as we know it</title>
<category><![CDATA[Planking Dancing]]></category>
<pubDate><![CDATA[Sun, 16 Sep 2012 12:00:00 EDT]]></pubDate>
<dc:creator><![CDATA[Bart Simpson]]></dc:creator>

。会变成：

<title>The end of the world as we know it</title>
<category><myTag>Planking Dancing<myTag></category>
<pubDate><myTag>Sun, 16 Sep 2012 12:00:00 EDT<myTag></pubDate>
<dc:creator><myTag>Bart Simpson<myTag></dc:creator>

我认为这个问题以前在 SO 上没有被问过（我尝试了几个不同的 SO 查询）。 我还尝试了几种不同的方法，使用 .findAll('cdata', text=True) 并将 BeautifulSoup replaceWith() 方法应用于每个生成的NavigableString。 我所做的尝试要么没有替换，要么看起来像递归循环。

我很高兴发布我以前的尝试，但鉴于这里的问题非常简单，我希望有人可以发布一个清晰的例子，说明如何使用 BeautifulSoup 3 完成上面的搜索和替换。

Answer 1

CData是NavigableString的子类，所以你可以找到所有CData元素，首先搜索所有NavigableString对象，然后测试每个是否都是CData的实例。一旦你有一个，它很容易按照您的建议使用 replaceWith 替换：

>>> from BeautifulSoup import BeautifulSoup, CData, Tag
>>> source = """
... <title>The end of the world as we know it</title>
... <category><![CDATA[Planking Dancing]]></category>
... <pubDate><![CDATA[Sun, 16 Sep 2012 12:00:00 EDT]]></pubDate>
... <dc:creator><![CDATA[Bart Simpson]]></dc:creator>
... """
>>> soup = BeautifulSoup(source)
>>> for navstr in soup(text=True):
...     if isinstance(navstr, CData):
...         tag = Tag(soup, "myTag")
...         tag.insert(0, navstr[:])
...         navstr.replaceWith(tag)
... 
>>> soup
<title>The end of the world as we know it</title>
<category><myTag>Planking Dancing</myTag></category>
<pubdate><myTag>Sun, 16 Sep 2012 12:00:00 EDT</myTag></pubdate>
<dc:creator><myTag>Bart Simpson</myTag></dc:creator>
>>>

几点注意事项：

• 您可以调用 BeautifulSoup 对象，就好像它是一个函数一样，并且效果与调用其 .findAll() 方法相同。

• 我知道在 BS3 中获取CData对象内容的唯一方法是切片它，如上面的代码片段所示。 str(navstr)会保留所有 <![CDATA[...]]>垃圾，显然你不想要。在 BS4 中，str(navstr)为您提供没有垃圾的内容。