BeautifulSoup：如何保持 HTML 实体，"

Question

来自https://www.crummy.com/software/BeautifulSoup/bs4/doc/#output-formatters，它说

如果你给 Beautiful Soup 一个包含 HTML 实体的文档，比如 “&lquot;”，它们将被转换为 Unicode 字符：

soup = BeautifulSoup("&ldquo ; Wow!&rdquo ; 他说。", 'html.parser')

str(汤)

'“哇！”他说。'

有什么方法可以修改这种行为并使其保留'&dlquo;'、'”'或'"'等实体 strong> 用 BeautifulSoup 处理 html 或 xml 的字符串？

Answer 1

您是否尝试阅读该文档部分的其余部分？您可以通过将formatter="html" 传递给soup.encode 来取回实体：

>>> soup.encode(formatter="html")
b'“ ; Wow!” ; he said.'

另一种方法是在传递给 BeautifulSoup 之前将 & 替换为 &：

>>> html = "&ldquo ; Wow!&rdquo ; he said."
>>> soup = BeautifulSoup(html.replace("&", "&"), 'html.parser')
>>> print(soup.get_text())
&ldquo ; Wow!&rdquo ; he said.