意外重命名文件中的字段答案

【问题标题】：Unexpectedly renaming field in file意外重命名文件中的字段
【发布时间】：2021-02-15 18:09:08
【问题描述】：

我正在使用 Python BS4/lxml 来解析 xml 格式的 RSS 提要（特别是 https://itch.io/games/on-sale.xml）。我发现在从请求接收页面数据和 BS4 从文本中读取它的过渡中，链接字段的名称正在更改。具体来说，res.text 包含...</saleends><link>https://foo.itch.io/bar</link><description>...，但将其读入BS4/lxml 并打印出...</saleends><link/>https://foo.itch.io/bar<description>...，BS4 无法正确解析。我的代码在here，第 237 行可用。

我可以提供项目的精简版本，无需登录和日志记录，以便于测试。

使用简化代码编辑：

import requests
from bs4 import BeautifulSoup
res = requests.get("https://itch.io/feed/sales.xml")
soup = BeautifulSoup(res.text, 'lxml')
print(soup.item.link)

预期行为：打印“https://itch.io/s/12345/foobar”（无论 RSS 中的最新链接是什么）实际行为：打印“”

【问题讨论】：

会这样变化吗？虽然它改变了，对你来说很重要吗？你到底想从 xml 中解析什么？
是的，即使我不明白为什么会这样，它也会发生变化。结果，据我所知，链接的主体是不可寻址的，soup.link 返回字符串“”，而不是我试图抓取的实际链接。

标签： python beautifulsoup python-requests rss lxml

【解决方案1】：

lxml 是 lxml 的 HTML 解析器，lxml-xml 和 xml 是 lxml 的 XML 解析器。（请参阅指向this 文档的this 答案）

因此，您应该使用lxml-xml 或xml 解析器，而不是使用lxml 解析器。

import requests
from bs4 import BeautifulSoup
res = requests.get("https://itch.io/feed/sales.xml")
soup = BeautifulSoup(res.text, 'lxml-xml')
print(soup.item.link.text)

输出： https://itch.io/s/38593/halloween-event-sale

【讨论】：